You are on page 1of 55

Gua de Metodologa de la Investigacin

Prof. Lic. Pablo Cazau

Presentacin En la presente Gua de Consulta presentamos la segunda edicin del libro Introduccin a la Investigacin en Ciencias Sociales (Pablo Cazau, Buenos Aires, Julio 2002). Quienes deseen tener una visin rpida y con ejemplos de los pasos fundamentales para realizar una investigacin tpica, pueden ir directamente a Etapas de una investigacin tpica (en el captulo 1). En el resto del libro se podrn encontrar explicados con mayor detalle y profundidad los distintos aspectos all mencionados.

PRLOGO 1. EL ESQUEMA DE INVESTIGACIN a) El problema de investigacin b) El esquema de investigacin c) Tipos de esquemas de investigacin d) Etapas de una investigacin tpica 2. LA INVESTIGACIN EXPLORATORIA a) El significado de explorar b) Recoleccin de datos 3. EL PAPEL DE LA ESTADSTICA a) Muestra y muestreo b) Pruebas de significacin c) Etapas de la estadstica

4. LA INVESTIGACIN DESCRIPTIVA a) Hiptesis b) Conceptos: constantes y variables c) Categorizacin y operacionalizacin d) Organizacin de los datos e) Anlisis e interpretacin de los datos 5. EL PAPEL DE LA MEDICIN a) Medicin b) Instrumentos de medicin c) Escalas de medicin

6. LA INVESTIGACIN EXPLICATIVA a) El concepto de causa b) Requisitos de causalidad c) Control de variables adicionales d) El diseo experimental 7. PRUEBAS DE CONFIRMACIN a) Diseos experimentales bivariados b) Diseos experimentales multivariados 8. PRUEBAS DE ESPUREIDAD 9. EL INFORME DE INVESTIGACIN 10. RESUMEN 11. EJERCITACIN REFERENCIAS BIBLIOGRFICAS

PROLOGO
Un investigador debe ser un individuo delirante para poder arriesgar hiptesis inverosmiles, obsesivo para probarlas con el mximo rigor, y amarrete para que su indagacin sea lo menos costosa posible.

Prlogo a la segunda edicin .- Hemos incorporado tres novedades destacables en esta segunda edicin. a) Reestructuramos los ttulos y subttulos para facilitar an ms la lectura del texto. b) Hemos agregado el tem Etapas de una investigacin tpica para comprender de manera ms inmediata los pasos de una investigacin en ciencias sociales. c) Agregamos un captulo sobre Ejercitacin para aplicar los conocimientos adquiridos en este texto. Esta segunda edicin est dedicada a la Lic. Norma Liliana Ramljak de Bratti y sus alumnas de Trabajo Social de la Universidad del Museo Social Argentino. Pablo Cazau. Buenos Aires, Julio 2002. Prlogo a la primera edicin.- El presente trabajo, fruto de varios aos de enseanza universitaria, intenta explicar cmo procede el cientfico cuando investiga la realidad en el mbito de las ciencias sociales. Esencialmente, la investigacin tiene dos etapas: proponer una hiptesis como respuesta a un problema, y luego probarla. Para la primera necesitamos intuicin, talento, creatividad, y el cientfico no est tan sujeto a normas como en la segunda etapa, en la cual se requiere un mtodo provisto de reglas especficas que cuidarn que la hiptesis planteada quede efectivamente confirmada (o refutada). El material que aqu presentamos est organizado en captulos y un resumen final. En la Introduccin, planteamos que toda investigacin comienza con un problema para resolver y prosigue con un plan para resolverlo, llamado esquema de investigacin. Se especifican tambin varios tipos de esquemas de investigacin, de los cuales destacamos por su importancia los esquemas exploratorio, descriptivo y explicativo. En esta introduccin damos una resea del primero. En el captulo sobre "La investigacin descriptiva" especificamos cmo el cientfico analiza los datos recogidos, para lo cual previamente debe haber identificado, categorizado y operacionalizado las variables en juego, y luego haber resumido la informacin en tablas, grficos o medidas estadsticas. Una vez que se han detectado correlaciones significativas entre variables, comienza la tarea de "La investigacin explicativa", en la cual el cientfico intentar probar que la correlacin observada es algo ms: es un vnculo causal (o bien que, a pesar de esa correlacin, no lo es).

La inclusin de los tems sobre estadstica y medicin se justifica por el carcter introductorio del presente trabajo, pero pueden ser obviados sin que su lectura pierda continuidad.

1. EL ESQUEMA DE INVESTIGACION
a) El problema de investigacin Si la investigacin cientfica es un automvil, el combustible que la alimenta son los hechos. Pero lo que la pone en marcha no es un hecho sino un problema y, obviamente, nuestra intencin por resolverlo. Lewis Carroll, en "Alicia en el pas de las maravillas", hace decir a uno de sus personajes que "como no tena respuesta para ninguno de sus problemas, el modo de formularlos no importaba demasiado". Pero en nuestro caso s interesa cmo plantearemos el problema, ya que pretendemos resolverlo. La importancia de formular correctamente un problema ya fue destacada por Claude Bernard, cuando dijo que el experimentador que no sabe lo que est buscando, no comprender lo que encuentra. El problema a solucionar debe ser formulado en forma lo suficientemente concreta como para que pueda ser resuelto efectivamente por la va cientfica (solucionable cientficamente), y lo suficientemente clara como para saber qu datos buscar para resolverlo. As, el problema de si Dios existe o no, no es lo suficientemente concreto pues no hay investigacin cientfica que pueda resolverlo, siendo mas bien un problema filosfico. Asimismo, el problema de si el perro del comisario ladra o no, adems de ser un problema cotidiano y no cientfico, no es lo suficientemente claro ya que no especifica si el comisario "tiene" un perro o si el comisario "es" un perro, con lo cual no sabremos qu datos buscar para resolverlo: si los datos sobre el perro o los datos sobre su dueo. Del mismo modo, no podemos decir simplificadamente "voy a investigar el problema de la droga". Esta es una afirmacin ambigua que puede apuntar tanto al problema de cules son las causas de la drogadiccin como al problema de cmo fabricar droga sin que se entere la polica. En cambio, problemas bien planteados son por ejemplo: qu incentiva el rendimiento escolar?, o influye la educacin recibida sobre la ideologa poltica de las personas? Se trata de problemas solucionables y donde sabemos qu tipo de informacin buscar para resolverlos. b) El esquema de investigacin Una vez formulado adecuadamente el problema (y si es en forma de pregunta tanto mejor), procedemos ahora a trazarnos un esquema de investigacin para resolverlo. Un esquema de investigacin es un plan que hacemos para recolectar y analizar los datos combinndolos entre s, con la intencin de hallar una respuesta al problema de la forma ms sencilla y econmica posible. Esta exigencia de simplicidad no debe hacernos pensar que un esquema de investigacin se pueda cumplir en horas o das: habitualmente una investigacin lleva meses y aos, pero ello es debido a que el problema a resolver no es tan sencillo, o tambin a la magnitud de la exigencia del rigor para resolverlo. Como ejemplo tomemos el siguiente problema: porqu en ciertos barrios hay mayor ndice de drogadiccin que en otros? Para resolverlo, trazamos un esquema de investigacin que deber inclur las siguientes operaciones: a) recolectar datos, lo que hacemos en base a censos, informes policiales o sanitarios, o en base a cuestionarios que el mismo investigador puede administrar. Al mismo tiempo contaremos qu porcentaje de drogadictos hay en cada barrio y, si sospecho que la drogadiccin puede deberse a un menor control policial o a la existencia de familias desavenidas, tambin buscar datos referentes a cuntos agentes policiales hay en cada barrio o qu porcentaje de familias desunidas hay en ellos. El problema planteado es adems lo suficientemente claro como para saber que no me interesarn datos, por ejemplo, sobre la periodicidad de las manchas solares; b) analizar los datos recolectados combinndolos entre s mediante tablas o grficos. La lectura de alguna de estas tablas me podr sugerir, por ejemplo, que a medida que aumenta el control policial en un barrio, disminuye su ndice de drogadiccin; c) hallar una respuesta al problema del modo ms sencillo posible. Efectivamente, encontr como respuesta que el ndice de drogadiccin depende de la mayor o menor presencia policial, y para encontrarla, recurr a un procedimiento sencillo que economiza tiempo, esfuerzo y dinero: en lugar de estudiar todos los barrios tom solamente algunos que supongo son una muestra representativa y luego, en vez de hacer yo mismo un censo (que sera caro y trabajoso), me bas en censos ya realizados oficialmente y que supongo confiables. c) Tipos de esquemas de investigacin Existen distintos tipos de esquemas de investigacin, que los podemos clasificar segn cuatro criterios: segn la fuente de los datos, segn el lugar donde investigamos a los sujetos, segn el grado de control ejercido sobre las variables, y segn su propsito o finalidad. Esquemas de Investigacin Segn datos: Segn lugar: Segn control: Segn fin: con datos primarios con datos secundarios de laboratorio de campo no experimental (ex-post-facto) experimental exploratorio descriptivo explicativo

Segn la fuente de donde obtiene los datos, el esquema de investigacin podr contar con datos primarios o con datos secundarios (o ambos). Los primeros son aquellos obtenidos directamente por el investigador de la realidad mediante la simple observacin o a travs de cuestionarios, entrevistas, tests u otro medio. Si este procedimiento resultare costoso o exigiese mucho esfuerzo, el investigador podr basarse en datos secundarios, que son aquellos que fueron obtenidos por otras personas o instituciones, tales como censos, etc. Siempre convendr este ltimo recurso, salvo que uno tenga buenas razones para desconfiar de ellos, o que directamente no estn disponibles. Segn el lugar donde investigamos a los sujetos, el esquema de investigacin puede ser de laboratorio o de campo. Investigacin de campo no significa investigacin rural, sino una investigacin donde estudiamos a los individuos en los mismos lugares donde viven, trabajan o se divierten, o sea, en su hbitat natural. Si quiero saber cmo influye la televisin en la educacin infantil utilizar datos sobre nios que ven (o no) televisin en sus hogares. Jams se me ocurrira encerrar durante meses o aos a varios nios en un laboratorio mirando televisin, para ver como evoluciona su educacin. Del mismo modo, tampoco se me ocurrira provocar un terremoto en una habitacin para ver cmo reacciona la gente all ubicada (salvo que invente un sofisticado sistema de simulacin de sismos, pero esto ya sera costoso): slo puedo encarar este estudio a travs de una investigacin de campo, o sea en el lugar natural donde estos fenmenos ocurren. La investigacin de laboratorio, como vemos 'saca' a los sujetos de sus lugares naturales, los 'asla' de su entorno llevndolos a un lugar especial, el laboratorio, y que no necesariamente debe tener azulejos o probetas. Un ejemplo de laboratorio en psicologa es la cmara Gesell, o habitacin donde por ejemplo se deja jugar libremente a los nios mientras estudiamos sus reacciones a travs de un vidrio que permite verlos, sin que ellos puedan advertir la mirada del investigador. En la investigacin de laboratorio el investigador est presente atendiendo casi continuamente lo que sucede con las personas. A veces basta esto para que, aunque la investigacin transcurra en los lugares naturales, sea una investigacin de laboratorio (esto significa que el cientfico, en lugar de sacar a las personas de sus casas llevndolas al laboratorio, ha directamente montado el laboratorio en la casa de las personas). En la investigacin de campo, en cambio, el cientfico no tiene en general una presencia permanente (salvo que aplique la tcnica de la observacin participante), limitndose a recoger datos en forma ms o menos peridica en los sitios de residencia.
Cierto tipo de investigaciones se prestan para planificarse indistintamente como de laboratorio o de campo. As, si queremos saber cmo influyen los ruidos sobre el estrs, tenemos dos alternativas: a) llevar dos grupos de personas a un lugar especial aislado, donde sometemos a uno a ruidos fuertes y al otro a ruidos dbiles, midiendo luego en ambos el estrs resultante (investigacin de laboratorio); b) medir directamente el estrs en personas que viven en lugares de mucho ruido y en lugares de poco ruido, para evaluar la diferencia (investigacin de campo).

Segn el grado de control ejercido sobre las variables, el esquema de investigacin podr ser no experimental o experimental. Frente al problema de las causas del estrs, pueden suceder dos cosas: a) que no tengamos ninguna idea acerca de los factores que lo generan, en cuyo caso recolectar muchos datos sobre diversas personas estresadas y no estresadas sin controlar ninguna variable en especial como podra ser el sexo, la edad, la ocupacin, los ruidos o la humedad. Se trata de una investigacin no experimental; b) puede suceder que s tengamos una fuerte sospecha sobre cierto factor -por ejemplo los ruidos-, en cuyo caso har intervenir solamente ese factor procurando hasta donde sea posible controlar la influencia de las otras variables, las cuales, a pesar de tambin poder influr causalmente sobre el estrs, son ajenas al propsito del experimento. Como luego veremos en otro captulo, podemos neutralizar la influencia de la variable edad tomando individuos al azar, lo que asegurar una gran heterogeneidad en cuanto a edades. De hecho, si hubiramos tomado a todos los sujetos con la misma edad, hubiese persistido la duda de si el estrs el producido por el ruido o por la edad. Cuando, como en este ltimo caso, controlamos la influencia de variables, estamos ante una investigacin experimental, la cual puede adoptar, indistintamente, la forma de una investigacin de laboratorio o de una de campo. En cambio, los estudios no experimentales son mas bien de campo y por lo regular no provocamos nosotros el fenmeno a estudiar sino que debemos esperar a que l ocurra espontneamente. Precisamente, otra distincin frecuente entre los procedimientos experimentales y los no experimentales apunta a esta ltima cuestin. En las investigaciones no experimentales debemos esperar a que ocurra el fenmeno para luego estudiarlo, y por ello se las llama tambin investigaciones ex-post-facto (despus de ocurrido el hecho). No es costumbre provocar la drogadiccin para estudiar luego sus consecuencias, as como tampoco se suele provocar un plenilunio (luna llena) para ver cmo influye sobre el comportamiento criminal de las personas. Segn la finalidad que persiga el cientfico, las investigaciones pueden ser exploratorias, descriptivas y explicativas. En torno a este importante criterio articularemos nuestra exposicin, sobre todo porque esos "tipos" de investigacin son esencialmente "etapas" cronolgicas de la misma, y por lo tanto recorrer estas etapas nos permitir comprender cmo procede el cientfico cuando indaga y piensa la realidad. Cualquier investigacin comienza siempre con una etapa exploratoria; recin despus se encarar una investigacin descriptiva y finalmente una explicativa. No se puede hacer un estudio explicativo si antes, uno mismo u otro investigador no realiz antes un estudio descriptivo, como tampoco podemos iniciar este ltimo sin que alguien antes haya hecho una investigacin exploratoria. La historia de la ciencia nos muestra dos cosas: primero, que una de estas etapas puede durar aos y puede haber quedado "olvidada" hasta que alguien retoma la siguiente etapa; y segundo, que los lmites entre una y otra etapa no son temporalmente exactos, pudiendo a veces superponerse. Las tres etapas persiguen propsitos diferentes: la investigacin exploratoria identifica posibles variables, la investigacin descriptiva constata correlaciones entre variables, y la investigacin explicativa intenta probar vnculos causales entre variables. Ms concretamente: en la investigacin exploratoria buscamos informacin sobre algn tema o problema por resultarnos relativamente desconocido, como por ejemplo la cuestin de los prejuicios raciales. Este estudio culmina cuando hemos obtenido el conocimiento suficiente como para hacer un listado de los diferentes factores que suponemos vinculados con el prejuicio racial, como por ejemplo educacin recibida, religin, zona de

residencia, edad, sexo, filiacin poltica, etc. En la investigacin descriptiva buscaremos correlacionar estadsticamente cada uno de esos factores con el factor prejuicio racial, y termina cuando hemos constatado ciertas correlaciones lo suficientemente significativas como para sospechar la existencia de un vnculo causal. Por ltimo, en la investigacin explicativa intentaremos probar nuestra sospecha anterior, por ejemplo realizando un experimento que me permita conclur si el o los factores considerados son o no causa de la actitud prejuiciosa hacia personas de otras razas. d) Etapas de una investigacin tpica Esta seccin tiene la nica finalidad de ofrecer una gua prctica para quienes deseen llevar a cabo una investigacin. Se trata de un plan orientativo referido a una investigacin tpica, es decir, a un conjunto de pasos o etapas que habitualmente deben cumplirse en la mayora de las investigaciones que podemos encontrar en las publicaciones cientficas. Explicaremos brevemente cada etapa utilizando un ejemplo nico: una investigacin que indague acerca de las relaciones entre estado civil y estado de nimo . Tengamos presente que, dependiendo de cada investigacin en particular, algunos de los pasos indicados pueden saltearse, cambiarse el orden, e incluso volver sobre alguno de los pasos anteriores. 1) Seleccin del tema de investigacin.- El tema de la investigacin es bsicamente la variable dependiente. En nuestro ejemplo, cualquiera de ambas podra serlo: el estado civil puede depender del estado de nimo (estoy triste por lo tanto me divorcio) o el estado de nimo puede depender del estado civil (estoy soltero y por lo tanto estoy alegre). En este paso, por tanto, deberemos decidir cul ser nuestra variable dependiente. Por ejemplo, elegimos estado de nimo. 2) Formulacin del problema.- El problema se expresa mediante una pregunta, la cual deber ser contestada en la investigacin. Por ejemplo: Existe alguna relacin significativa entre estado civil y estado de nimo?. 3) Explicitacin del marco terico.- Las variables elegidas han de ser definidas dentro de un marco terico, que puede ser el mismo o distinto para ambas. Por ejemplo, para definir estado civil podemos tomar como referencia el Cdigo Civil del pas donde hacemos la investigacin, mientras que para definir estado de nimo podremos tomar el DSM-IV. Otros ejemplos de marcos tericos para otras variables pueden ser el psicoanlisis, el cognitivismo, la teora de la gestalt, la teora del aprendizaje de Skinner, etc. En suma, en este caso se sintetizarn los marcos tericos utilizados, mientras que las definiciones tericas de las variables se especifican en un paso ulterior (Identificacin, definicin y clasificacin de las variables ). 4) Revisin de investigaciones anteriores .- Emprendemos aqu la ardua tarea de revisar todo las investigaciones realizadas concernientes a la relacin entre estado de nimo y estado civil, para lo cual deberemos recorrer bibliotecas, la red internet, etc. La idea es hacer una sntesis de todo lo encontrado utilizando solamente los abstracts de las investigaciones encontradas. Tal vez podramos encontrarnos con que nuestra investigacin ya fue realizada, pero ello no debe desilusionarnos: por lo general nuestra investigacin partir de muestras diferentes, utilizar otros instrumentos de medicin, etc., lo cual la convierte en una investigacin original que complementar la ya realizada. En todo caso, en nuestro informe final consignaremos en qu medida nuestra investigacin coincide o no con los resultados de otras investigaciones, y qu razones podran dar cuenta de las diferencias. 5) Explicitacin de los objetivos .- Explicamos aqu qu operaciones realizaremos para solucionar el problema que puso en marcha la investigacin, o para abordar algunas cuestiones colaterales al mismo. Suelen especificarse un objetivo general y objetivos especficos. En nuestro ejemplo, el objetivo general podra ser probar si existe o no una relacin significativa entre estado civil y estado de nimo, y algunas objetivos ms especficos podran ser revisar las investigaciones recientes sobre el tema, discutir las diferencias encontradas con otras investigaciones sobre el mismo tema, o examinar la incidencia de las variables edad y nivel de instruccin en la muestra seleccionada. Notemos que cuando especificamos los objetivos, siempre habremos de utilizar verbos en infinitivo, puesto que ellos designan acciones a realizar (probar, revisar, discutir, etc). 6) Seleccin del tipo de investigacin .- Nuestra investigacin ser de laboratorio o de campo? Experimental o no experimental? Ser un estudio exploratorio, descriptivo, explicativo o una combinacin de ellos? Ser una investigacin con datos primarios o con datos secundarios? Supondremos que en nuestro ejemplo realizaremos una investigacin de campo, experimental, descriptivo-explicativa y con datos principalmente primarios. 7) Formulacin de la hiptesis.- La hiptesis puede formularse en forma general y especfica. La forma general sera existe una relacin significativa entre estado civil y estado de nimo. Un ejemplo de hiptesis ms especfica sera las personas solteras tienden a sufrir estados depresivos. En una hiptesis especfica, pueden especificarse varias cosas: el vnculo entre las variables (en vez de decir existe una relacin entre decimos es la causa de), alguna categora de alguna variable (en vez de estado civil decimos casado), o alguna dimensin o indicador de alguna variable (en vez de estado de nimo decimos presentan desinters por el mundo exterior). Normalmente, la hiptesis que ser verificada en la investigacin es la hiptesis general. 8) Identificacin, definicin y clasificacin de las variables .- Qu variables principales estudiaremos? Estado civil y estado de nimo. Cmo las definiremos tericamente? Por ejemplo, de acuerdo a las definiciones que encontremos, respectivamente, en el Cdigo Civil y en el DSM-IV. Al final, las clasificamos segn diversos

criterios: simples o complejas, manifiestas o latentes, organsmicas o situacionales, etc. Las clasificaciones que no pueden obviarse son: independiente o dependiente (estado civil ser independiente y estado de nimo, dependiente), y cualitativa o cuantitativa. Esta ltima clasificacin es importante porque especifica en qu nivel de medicin las estamos midiendo. Por ejemplo, estado civil ser una variable cualitativa nominal, mientras que estado de nimo ser una variable cualitativa ordinal. En principio no tendra mucho sentido clasificar estado civil como ordinal, porque no podemos decir ms casado, algo casado o nada casado. 9) Categorizacin y operacionalizacin de las variables .- Asignaremos categoras a las variables (para estado civil pueden ser soltero, casado, separado de hecho, divorciado, juntado, viudo, etc., y para estado de nimo pueden ser muy deprimido, deprimido, alegre y muy alegre). En cuanto a la operacionalizacin, si las variables son complejas seleccionaremos dimensiones e indicadores. Dimensiones de estado de nimo podran ser manifestaciones fsicas y manifestaciones psquicas, y sus respectivos indicadores, postura corporal e inters por el trabajo. Como estado civil es una variable simple, seleccionaremos un solo indicador. Por ejemplo, aquello que nos responde el sujeto cuando le preguntamos por su estado civil. 10) Seleccin de la poblacin.- Especificamos la poblacin que queremos estudiar. Por ejemplo, todas las personas entre 20 y 60 aos que vivan en la ciudad de Buenos Aires. Por lo tanto, nuestra unidad de anlisis sern personas (y no por ejemplo grupos o familias). 11) Seleccin de la tcnica de muestreo .- Podramos elegir una muestra de tipo probabilstico: elegimos al azar una cierta cantidad de nmeros telefnicos. Hay otros procedimientos menos aconsejables porque no son aleatorios, como elegir a las personas que conocemos de nuestro entorno (familiares, amigos, vecinos, etc). Es estos casos la muestra estar sesgada por nuestras preferencias y por un determinado estrato social o zona geogrfica. 12) Seleccin del tipo de diseo .- Como estamos suponiendo que nuestra investigacin es explicativa y adems indaga una sola variables causal, elegiremos alguno de los seis diseos experimentales bivariados que propone Selltiz, fundamentando adems esta eleccin. 13) Seleccin de los grupos.- Dentro de la muestra elegimos al azar los grupos. Por ejemplo, si elegimos el diseo 1, seleccionaremos dos grupos: el primero conformado por personas solteras, y el segundo por personas casadas. Tambin podemos elegir tantos grupos como categoras tenga la variable estado civil. 14) Seleccin de los instrumentos de medicin ya construdos .- Hay varios tests que miden estado de nimo, como por ejemplo el Cuestionario de Depresin. Si no hemos encontrado ningn instrumento apto para medir nuestras variables, deberemos construrlos nosotros mismos y pasamos directamente al prximo paso. 15) Construccin de los instrumentos de medicin .- En nuestro ejemplo, deberemos construr un test para medir estado de nimo. Para medir estado civil obviamente no se requiere ningn test: basta con preguntarle a la persona cul es su estado civil. La construccin de nuestro test implicar cumplir estos pasos: a) Seleccionar los tems, es decir, las preguntas o las pruebas que incluir. Para nuestro ejemplo, uno de los tems puede ser la pregunta Se siente triste la mayor parte de los das?. b) Categorizar los tems, es decir, establecer las respuestas posibles que podr responder cada sujeto en cada tem. Por ejemplo para el tem anterior, las posibles categoras pueden ser s y no. c) Construr un sistema de puntuacin de las respuestas. Por ejemplo asignamos arbitrariamente el nmero 1 si contest que s y 0 si contest que no. Luego, sumando todos los puntos de cada tem, deberemos obtener un ndice, en este caso, un ndice de estado de nimo. Tambin aqu estableceremos como interpretar estos ndices. Por ejemplo, si obtuvo ms de 20 categorizaremos al sujeto como muy deprimido, si obtuvo entre 15 y 19 puntos lo ubicaremos como deprimido, y as sucesivamente. d) Finalmente determinaremos la validez y la confiabilidad del instrumento as construdo. No desarrollaremos este tema en este texto, que pretende ser simplemente introductorio. 16) Recoleccin de datos.- Aplicamos o administramos los instrumentos de medicin. Tomamos a los sujetos elegidos un test de estado de nimo y les preguntamos su estado civil. De todos los pasos de esta investigacin, este es el nico en el cual tomamos contacto con los sujetos del estudio. Todos los otros pasos los podemos realizar solos en nuestro lugar de trabajo. 17) Construccin de la matriz de datos.- Organizamos y sintetizamos toda la informacin obtenida en una matriz, que, en nuestro ejemplo puede asumir la siguiente forma: Sujeto A B C Etc Estado civil Soltero Soltero Casado Etc Estado de nimo Muy deprimido Alegre Deprimido Etc

En el caso de tratarse de variables cuantitativas, en esta matriz se consignarn en las columnas de las variables los puntajes brutos, los puntajes estandarizados y/o los percentiles. Por ejemplo, si utilizamos el WISC-III para medir inteligencia en nios, Juancito pudo haber obtenido respectivamente 121, 114 y 82. 18) Tabulacin.- Toda la informacin de la matriz de datos la organizamos aqu en una tabla de doble entrada, es decir, una tabla que permita cruzar las dos variables en juego: Muy deprimido Deprimido Alegre Muy alegre TOTALES Soltero 7 ? ? ? ? Casado ? ? ? ? ? Separado de hecho ? ? ? ? ? Divorciado ? ? ? ? ? Juntado ? ? ? ? ? Viudo ? ? ? ? ? TOTALES ? ? ? ? ? Por ejemplo, hemos colocado la frecuencia 7 en el primer casillero porque hemos encontrado siete casos de sujetos solteros muy deprimidos. 19) Graficacin.- Opcional. Sirve para presentar la informacin de las tablas de una forma ms intuitiva y rpidamente comprensible. 20) Obtencin de medidas de posicin y dispersin .- Generalmente pueden obtenerse a partir de la tabla de doble entrada. Como en el ejemplo que estamos siguiendo las variables no son cuantitativas, no podremos utilizar la media aritmtica ni el desvo standard. Deberemos usar medidas estadsticas para variables cualitativas, como el modo o la mediana (medidas de posicin), y otras. Por ejemplo, si la categora que ms se repite para la variable estado de nimo es alegre, entonces alegre es el modo. 21) Anlisis de los datos.- De acuerdo a los fines que nos hayamos propuesto, podremos optar por varias posibilidades, entre las que se cuentan el anlisis de correlacin, el anlisis de regresin, la prueba de significacin, la prueba de espureidad o alguna combinacin de ellos. 22) Interpretacin de los datos .- Opcional pero recomendable. En este paso arriesgamos algunas conjeturas personales acerca del porqu de la asociacin detectada entre ambas variables. Por ejemplo, hemos encontrado una alta asociacin entre alegra y casado quiz porque el matrimonio permite compartir trances y dificultades ms fcilmente, con lo cual hay menor margen para la depresin. La interpretacin de los datos puede hacerse desde algn marco terico existente o bien, si somos audaces e imaginativos, podemos crear nuestro propio marco terico porque no hay ninguno que nos satisfaga. 23) Comunicacin de los resultados.- Mientras fuimos cumpliendo los pasos anteriores, es muy probable que hayamos escrito varias hojas en borrador. Con este material redactamos nuestro informe final, luego el abstract o resumen del mismo, luego seleccionamos un ttulo para nuestro informe y, finalmente, publicados los resultados (por ejemplo envindolos a una revista cientfica). Este proceso se realimenta continuamente: en cuanto damos a conocer nuestro trabajo a la comunidad cientfica, desde ese momento entra a formar parte de la bibliografa existente sobre el tema y, por tanto, ser consultado por otro investigador que se encuentre en la etapa Revisiones de investigaciones anteriores. A los efectos de ampliar la informacin de cada paso, podemos consultar las siguientes secciones del presente texto (estas secciones pueden encontrarse en nuestro ndice: Guia de Metodologia de la Investigacion ). Para el paso 1) Seleccin del tema de investigacin. 2) Formulacin del problema. 3) Explicitacin del marco terico. 4) Revisin de investigaciones anteriores. 5) Explicitacin de los objetivos. 6) Seleccin del tipo de investigacin. 7) Formulacin de la hiptesis. 8) Identificacin, definicin y clasificacin de las variables . 9) Categorizacin y operacionalizacin de las variables . 10) Seleccin de la poblacin. 11) Seleccin de la tcnica de muestreo. 12) Seleccin del tipo de diseo. 13) Seleccin de los grupos. 14) Seleccin de los instrumentos de medicin ya construdos . 15) Construccin de los instrumentos de medicin . 16) Recoleccin de datos. 17) Construccin de la matriz de datos. 18) Tabulacin. Consultar seccin ---1a ---------1c 4a 4b 4c 3a 3a 7 7c ---4c 2b 4d 4d

19) 20) 21) 22) 23)

Graficacin. Obtencin de medidas de posicin y dispersin. Anlisis de los datos. Interpretacin de los datos. Comunicacin de los resultados.

4d 4d 4e 3b 4e 9

2. LA INVESTIGACION EXPLORATORIA
a) El significado de explorar Explorar significa incursionar en un territorio desconocido. Por lo tanto, emprenderemos una investigacin exploratoria cuando no conocemos el tema por investigar, o cuando nuestro conocimiento es tan vago e impreciso que nos impide sacar las ms provisorias conclusiones sobre qu aspectos son relevantes y cules no. Podemos tener una gran voluntad y entusiasmo para estudiar la drogadiccin, pero si desconocemos el tema deberemos iniciar un estudio exploratorio para empezar a conocerlo y familiarizarnos con l, para precisar mejor el problema que nos interesa resolver, o para comenzar a dar forma a alguna hiptesis previa que sobre la cuestin tengamos. Notemos que, como desconocemos el tema, al iniciar la exploracin no tenemos seguridad respecto de cules son las variables o aspectos importantes y cules no: influirn sobre la drogadiccin la televisin o el cine, la estabilidad de la pareja parental, la inestabilidad laboral? No lo sabemos y por ello, a un estudio exploratorio le exigiremos por sobre todas las cosas flexibilidad, lo cual implica explorar el mayor nmero de factores posibles puesto que an no estamos muy seguros de ninguno. Si somos flexibles en el sentido apuntado evitaremos una bsqueda tendenciosa de informacin seleccionando solamente aquellas variables que nuestros prejuicios nos indican, con lo cual descartaremos ciertos otros factores que podran ser importantes. Si estamos persuadidos que la drogadiccin slo se debe al color de cabello de las personas, un estudio exploratorio resultar superfluo toda vez que con l slo buscaremos la confirmacin tendenciosa de nuestra creencia. Explorar bien una selva es explorar toda la selva, y no seguir una nica senda. Un mal estudio exploratorio suele echar a perder los subsiguientes estudios descriptivos y explicativos, con el consiguiente derroche de tiempo y esfuerzo, ya que partimos de una base equivocada.
En un estudio exploratorio se puede partir de una hiptesis previa, o sea, podemos tener alguna idea previa sobre qu factores estn vinculados con la drogadiccin. Pero esta idea vaga es una gua muy general y slo nos sirve para descartar la influencia de factores tales como si hay o no atmsfera en Jpiter, por dar un ejemplo; no nos debe servir para descartar otros posibles factores relevantes (o que podran serlo), tales como la inestabilidad poltica, social o econmica de los pases donde aparece la drogadiccin.

b) Recoleccin de datos Si aceptamos nuestra ignorancia, entonces nos decidiremos a explorar el tema, pero, de qu manera? Fundamentalmente a travs de la recoleccin de datos, lo cual puede realizarse de varias maneras. Los datos que buscaremos no son solamente los que figuran en censos y estadsticas, sino en cualquier otro tipo de bibliografa que, aunque no contenga cifras ni cuadros, nos ayuden a empaparnos del tema. Por ejemplo libros o artculos que hablen sobre los mtodos de prevencin de la drogadiccin, sobre procedimientos curativos o sobre teoras psicoanalticas, conductistas, etc., que den su propia explicacin sobre la cuestin. Podr tambin buscarse informacin primaria a travs de cuestionarios, entrevistas o dar un uso exploratorio a test como el de Rorschach. Podremos entrevistar a toda persona que por uno u otro motivo est inmersa en el tema: un drogadicto, los padres del drogadicto, un hermano o un amigo, un profesional experto en la cuestin, un exdrogadicto, etc.
La entrevista implica hacer preguntas en forma oral, y el cuestionario en forma escrita. Habitualmente los cuestionarios son standard, o sea, a todos los informantes se les hacen las mismas preguntas y en el mismo orden, bajo la misma consigna. Estos cuestionarios podrn ser cerrados, cuando el sujeto simplemente debe optar entre varias respuestas posibles fijadas de antemano (por ejemplo s, no, no sabe) o abiertos, donde la persona contesta libremente lo que se le ocurre.

Para recolectar datos tenemos an una opcin ms pica: podemos despeinarnos, ponernos una ropa desprolija e ir a convivir con drogadictos en sus lugares naturales simulando ser uno de ellos. Esto es lo que se llama observacin participante, y con ella podremos obtener informacin que por las tcnicas anteriores no fue posible conseguir, sea porque los entrevistados no se animaron a decirlo, o porque directamente lo desconocan. Pero la observacin participante tiene tambin su riesgo: encariarnos con la droga o enamorarnos de una drogadicta podr pervertir nuestra intencin de objetividad y hacernos olvidar para siempre la metodologa de la investigacin. Una ltima tcnica exploratoria consiste en el seguimiento clnico de casos individuales a lo largo del tiempo: se supone que este camino nos dar una informacin mucho ms profunda sobre la drogadiccin y sus causas, ya que nos permite acceder a la infancia del sujeto, a sus ntimas motivaciones y creencias, y a sus proyectos ms ocultos. En suma: para explorar un tema relativamente desconocido disponemos de un amplio espectro de medios para recolectar datos en psicologa y ciencias sociales: bibliografa especializada, entrevistas y cuestionarios, observacin participante (y no participante) y seguimiento de casos clnicos. La investigacin exploratoria terminar cuando, a partir de los datos recolectados, adquirimos el suficiente conocimiento como para saber qu

factores son relevantes al problema y cules no. En este momento, estamos ya en condiciones de encarar una investigacin descriptiva.

3. EL PAPEL DE LA ESTADISTICA
Antes de examinar la etapa descriptiva de la investigacin, nos convendr tener una idea general de la estadstica y de cmo se emplea en la actividad cientfica, en la medida en que se trata de una herramienta fundamental que la matemtica provee al investigador para poder resumir y analizar gran cantidad de informacin. Tanto en las investigaciones exploratorias como en las descriptivas y explicativas, el cientfico no maneja un solo dato sino muchos, sea porque estudia muchos individuos (las edades de todos los argentinos, o el cociente intelectual de todos los adolescentes de un colegio), sea porque estudia un solo individuo sobre el cual se hacen muchas observaciones que proporcionarn, entonces, muchos datos (las calificaciones que obtiene Juancito en las distintas asignaturas y a travs de varios aos). Cuando, como en tales casos, hay que considerar una gran cantidad de datos, necesitaremos una herramienta para poder organizarlos, analizarlos y finalmente sacar conclusiones sobre la poblacin o el individuo de donde esos datos fueron extrados, y este instrumento se llama estadstica. La utilidad de la estadstica, entonces, no apunta necesariamente al estudio de muchos individuos (poblacin), sino fundamentalmente al estudio de muchos datos, sea porque provengan de un solo sujeto o de muchos. No obstante en lo que sigue explicaremos el trabajo ms usual de la estadstica en ciencias sociales: el estudio de poblaciones de individuos. Todos sabemos la diferencia entre individuo y poblacin: una cosa es un argentino determinado, y otra cosa el conjunto de los habitantes de ese pas. O tambin: una cosa es la ciudad de Pars y otra el conjunto de todas las ciudades del mundo, lo que viene a mostrarnos que lo que llamamos individuo es simplemente un elemento dentro de un todo (poblacin) y que, para evitar malos entendidos, llamaremos genricamente unidades de anlisis. En psicologa las unidades de anlisis pueden ser personas, en psicologa social grupos pequeos, en sociologa sociedades o clases sociales, en demografa ciudades, en qumica metales, en biologa ratas, etc. La distincin entre individuo poblacin es importante porque a la estadstica que aqu vemos no le interesa el individuo aislado sino el conjunto de la poblacin. Si al estadstico le interesa que Juancito tiene cociente intelectual 110 es slo para llegar a saber que el promedio de cocientes intelectuales de la poblacin es de 115 y que, entonces, Juancito est por debajo de esa media. La poblacin o universo, definible como el conjunto de todas las unidades de anlisis, puede ser finita o infinita, segn tenga o no un nmero determinado de individuos: podemos considerar infinito al conjunto de todos los individuos posibles segn su combinacin gentica. La poblacin tambin puede ser real o potencial: una poblacin real es el conjunto de todos los argentinos mayores de 18 aos y menores de 20, y poblacin potencial es por ejemplo el conjunto de todas las personas que podran utilizar el servicio de psicopatologa de un hospital. a) Muestra y muestreo Nos interesarn, entonces, las poblaciones. Pero aqu surge un problema: como habitualmente las poblaciones son muy grandes (cuando no infinitas), no podemos obtener los datos de todos los individuos, y entonces nos vemos obligados a seleccionar una parte de esa poblacin, que se llama muestra. La muestra est as a mitad de camino entre el individuo y la poblacin (aunque en ciertos casos una muestra puede estar constituda por un solo individuo):

Poblacin

Muestra

Individuo

Obviamente, deberemos asegurarnos de que la muestra sea representativa de la poblacin: si queremos tomar una muestra de los habitantes de una ciudad y slo seleccionamos veinte enfermos mentales de un hospicio, esta muestra no representar adecuadamente a la poblacin. En cambio si seleccionamos la misma cantidad de

sujetos tomando uno de cada 100 de la gua telefnica aqu ya puedo empezar a pensar ms en la posibilidad de cierta representatividad, pues estn tomados ms al azar.
An as no hay un azar total, pues en la gua no figuran por ejemplo individuos de clase baja (no tienen telfono), y si nos decidimos por una lista de empadronamiento para votar, all no figurarn los extranjeros residentes. Un procedimiento bastante aleatorio, en cambio, consiste en elegir un individuo por cada manzana.

El tamao elegido para la muestra es tambin importante, y variar de acuerdo a cada investigacin pudiendo ser el 5%, el 20%, etc., de la poblacin total. Suele ser difcil elegir el tamao justo, ya que no se puede pecar por defecto (un solo individuo no representa a una ciudad, an tomndolo al azar) o por exceso (una muestra que sea el 80% de la poblacin es altamente confiable pero no econmica, ya que con menos esfuerzo y dinero puede obtenerse una muestra considerablemente ms pequea sin que vare en forma significativa su grado de representatividad). El procedimiento por el cual seleccionamos una muestra se llama muestreo, y clsicamente se los divide en probabilsticos y no probabilsticos. Lo esencial del muestreo probabilstico es que cada individuo de la poblacin total tiene la misma o aproximadamente la misma probabilidad de estar includo en la muestra. Si tomamos una muestra de los habitantes de Londres considerando uno de cada 100 de un listado alfabtico, la probabilidad que tiene de haber sido seleccionado el seor Smith es la misma que tiene el seor Brown o cualquier otro (en este caso, la probabilidad del uno por ciento).
Hay varias tcnicas para realizar muestreos probabilsticos, y todas se basan en la seleccin de individuos al azar ya que es ste quien presuntamente garantiza la equiprobabilidad. El muestreo puede ser: a) simple: partiendo de toda la poblacin se toman individuos al azar segn diversos procedimientos; b) estratificado: previamente se seleccionan en la poblacin estratos (por ejemplo clases sociales: alta, media y baja), y dentro de cada estrato se toman individuos al azar segn el muestreo simple; c) por reas o conglomerados: se delimitan previamente reas geogrficas (provincias, ciudades) y dentro de cada una de ellas se toman individuos al azar segn el muestreo simple o estratificado.

En el muestreo no probabilstico los individuos de la poblacin no tienen todos la misma probabilidad de aparecer en la muestra, ya que aqu no hacemos una estricta seleccin al azar sino que tomamos casos tpicos (que suponemos representativos de la media poblacional) o casos en forma accidental (los que tenemos ms a mano), etc. Una vez obtenida la muestra (preferiblemente mediante muestreo probabilstico), procedemos ahora a hacer una descripcin de la muestra, para lo cual usaremos ciertas medidas especiales diferentes a las medidas que usamos para medir individuos. Si queremos describir sujetos individuales usaremos una medida individual: Juancito tiene cociente intelectual 110, o Pedrito tiene poco inters en poltica, etc. Pero, si queremos describir una muestra usaremos lo que se llama una medida estadstica. Por ejemplo, tal muestra se compone de sujetos cuyo promedio de cocientes intelectuales es 120, o tal otra muestra tiene un 70% de sujetos con poco inters en poltica, etc. Como vemos, estas medidas estadsticas son verdaderas sntesis o resmenes de muchas medidas individuales, y un ejemplo tpico es la media aritmtica, o sea, un simple promedio. Examinemos como ejemplo dos muestras diferentes, compuestas cada una por tres individuos, y donde nos interesar describirlas considerando el factor cociente intelectual: Muestra 1) -----------105------------110-------------115------------- (Promedio: 110) Muestra 2) -----80--------------------110----------------------140---- (Promedio: 110) Ambas muestras tienen el mismo promedio y sin embargo, son dos muestras diferentes! Por lo tanto, solamente un promedio no basta para describir e identificar adecuadamente una muestra, y deberemos usar una segunda medida estadstica que nos permita conocer cun lejos o cun cerca estn los individuos del promedio, o sea, su grado de dispersin. En el ejemplo vemos que la muestra 1 es menos dispersa ya que los diferentes valores obtenidos estn muy prximos al promedio, mientras que la muestra 2 es ms dispersa. Recin cuando se han tomado ambas medidas podemos afirmar que hemos descripto adecuadamente las muestras, con lo cual no queda posibilidad de confundirlas con otras. Y an cuando dos muestras puedan ser distintas porque las componen diferentes individuos, si tienen la misma media aritmtica y la misma dispersin las consideraremos iguales a los efectos del anlisis estadstico. El primer tipo de medida estadstica se llama medida de posicin (o de tendencia central), y nos est indicando alrededor de qu valor (en el ejemplo 110) giran todos los valores individuales. El segundo tipo se llama medida de dispersin, y nos indica cun prximos o alejados estn los distintos valores del promedio, o sea de la medida de posicin, de lo cual se desprende que no podremos tomar una medida de dispersin sin antes haber tomado la correspondiente medida de posicin. Un ejemplo de medida de dispersin es el desvo standard, que conceptualmente es un promedio de las distancias de cada valor respecto de la media. b) Pruebas de significacin Hasta aqu lo nico que hicimos fue describir una muestra, pero lo que a la estadstica le interesa en ltima instancia es la poblacin, con lo cual debemos resolver una segunda cuestin: la representatividad de la muestra. Es decir, interesa saber hasta qu punto las medidas que describieron la muestra describen igualmente bien la poblacin de donde la muestra fue extrada. Ms concretamente: el promedio 110 de la muestra podemos tambin adscribrselo con confianza a la poblacin? Pasa lo mismo con la medida de dispersin? Naturalmente que siempre habr un margen de error, pues si nos animramos a sacar el promedio de la poblacin entera seguramente no sera exactamente igual al promedio de la muestra. La cuestin entonces no reside en eliminar

esta diferencia, pues es imposible, sino en poder saber hasta qu punto dicha diferencia se debe solamente al azar. De comprobar realmente esto, entonces la diferencia no es importante y conclumos que la muestra s es representativa. Para poder hacer estas determinaciones nos bastar aqu con saber que la estadstica ha diseado ciertas pruebas especiales, como por ejemplo las pruebas de significacin. Son pruebas basadas en el clculo de probabilidades, ya que aqu lo que debemos verificar es si lo concludo respecto de la muestra vale tambin para la poblacin y con qu grado de probabilidad (pues hay grados de probabilidad aceptables y no aceptables).

En este contexto, qu sera lo deseable? Sera que no hubiera diferencia significativa entre la muestra y la poblacin, y esta situacin deseable es lo que suele llamarse hiptesis nula(nula porque suponemos que no hay diferencia significativa entre ambas cosas, con lo cual la muestra pasa a ser representativa de la poblacin) (24). Naturalmente que, como toda hiptesis, es una mera suposicin, y por lo tanto es algo que debemos verificar mediante las mencionadas pruebas de significacin. Al aplicar estas pruebas podemos cometer dos tipos de errores, opuestos entre s: a) Error Tipo I, o error del desconfiado, y que consiste en creer que la muestra no es representativa cuando s lo es (o sea rechazar la hiptesis nula cuando en realidad es verdadera); y b) Error Tipo II, o error del ingenuo: creer que la muestra es representativa cuando en rigor no lo es (o sea aceptar la hiptesis nula cuando en realidad es falsa). Para evitar ambos errores tomamos las dos precauciones de las que habamos hablado: considerar un tamao adecuado de la muestra, y tomar los individuos al azar.

Hay dos tipos de probabilidad: lgica e inductiva. a) Probabilidad lgica: si yo tengo un dado perfectamente balanceado (o sea que las seis caras tienen la misma probabilidad de salir), no necesitar arrojarlo para saber qu probabilidad tiene de salir el nmero 3. Como ya s que tiene seis caras equiprobables, su probabilidad ser de uno sobre seis (p=1/6). b) Probabilidad inductiva: puede ocurrir, sin embargo, que el dado no est balanceado, o que yo no sepa si el nmero 3 figura en dos caras y el 5 en ninguna, etc., y slo s que tiene 6 caras. A priori, o sea antes de arrojar los dados, en estos casos no puedo saber qu probabilidad tiene el 3 de salir, debido a mi desconocimiento del dado. No obstante tengo un medio de saberlo: arrojo el dado una gran cantidad de veces (cuantas ms veces mejor) y voy anotando los nmeros que aparecieron. Si constato que el 3 sali en un 50% de los casos, entonces puedo conclur que la probabilidad ser de tres sobre seis (p=3/6=1/2). Este dato no me aclara definitivamente si el dado estaba desbalanceado o si en realidad en tres de sus caras estaba el nmero 3; slo me sugiere la probabilidad de aparicin del nmero en cuestin. En suma: en la probabilidad lgica y debido a que conozco el dado, puedo calcular qu probabilidad tiene de salir determinado nmero sin necesidad de hacer ninguna prueba. Es una probabilidad deductiva, puesto que deduzco de los datos conocidos la probabilidad de cada alternativa. En cambio en la probabilidad inductiva no conozco la naturaleza del dado, y entonces slo puedo conclur la probabilidad de aparicin de un cierto nmero siguiendo un razonamiento inductivo, vale decir, a partir de los casos observados que fui anotando. Las mismas consideraciones que hicimos con las caras de un dado tambin podemos hacerlas con los naipes de un mazo y con los individuos de una poblacin. En estadstica, puesto que generalmente desconocemos la naturaleza de la poblacin, el tipo de probabilidad empleado es el inductivo.

No sabemos si en realidad existe o no el azar, pero s podemos afirmar con bastante seguridad que el hombre no puede producir azar absoluto. Si quisiramos colocar en una serie nmeros al azar, tarde o temprano aparecera alguna regularidad que hemos incluido inadvertidamente. Si pedimos a una persona que escriba una secuencia al azar de unos y ceros, casi todos elegirn una secuencia que alterna con demasiada regularidad. Aunque parezca paradjico, si los ceros y los unos se mezclan con excesiva uniformidad, deja de ser azar (1). Adems, cuando pretendemos armar una serie al azar generalmente partimos del prejuicio de que el azar tiene memoria, y consideramos que si sali tres veces un cero, la probabilidad de que salga cero la cuarta vez disminuye mucho (y entonces ponemos un uno). Pero esto es falso: una serie al azar puede incluir muchos ceros seguidos. Es el prejuicio del jugador de quinielas que le juega al 7 porque simplemente hace mucho que no sale, y no comprende que cualquier nmero en cualquier momento tiene la misma probabilidad de salir que cualquier otro. Tampoco habra azar absoluto si quien arma la serie es una computadora, no slo porque puede fallar el software (al fin y al cabo es el hombre quien la programa), sino tambin el hardware (los circuitos electrnicos pueden sufrir algn desgaste, con lo que empieza a aparecer alguna regularidad en la serie). Si bien el azar absoluto no existe, ni menos an en estadstica, su empleo resulta necesario pues hace disminuir la probabilidad de la influencia de ciertas variables ms que de otras, o sea, el azar procura que ninguna variable est ejerciendo influencia mucho ms que cualquier otra. Si tomamos una muestra de la poblacin procuraremos siempre aleatoria, es decir, que los individuos sean lo ms heterogneos en cuanto a edad, sexo, condicin social, salud mental, etc. No podra tomar una muestra de la poblacin argentina si est constituida por 1000 mujeres solteras entre 40 y 50 aos y pretender, al mismo tiempo, que esa muestra sea representativa de toda la poblacin (salvo que la nica poblacin que nos interese sea el conjunto de todas las mujeres argentinas solteras entre 40 y 50 aos). El azar nos permite asegurar, entonces, hasta cierto punto confiable, la equidad de los estudios estadsticos. Por ltimo, no siempre debemos oponer casualidad con causalidad: la casualidad (o azar) no implica necesariamente la ausencia de causas (corrientemente, la expresin ocurri por casualidad suele significar ocurri sin ninguna causa o motivo). Si partimos de una cosmovisin causalista, cosmovisin en la cual se basa habitualmente la ciencia, cuando decimos que un determinado acontecimiento ocurri por azar queremos solamente decir que est influenciado por una gran cantidad de factores causales, muchos de los cuales son desconocidos para nosotros y sin que prevalezca ninguno en especial.

c) Etapas de la estadstica Podemos resumir todo lo dicho indicando cules son las dos etapas de la investigacin estadstica: a) la estadstica descriptiva, que busca seleccionar una muestra y luego describirla adecuadamente mediante medidas de posicin y dispersin; b) la estadstica inductiva o inferencial , que busca extender lcitamente nuestras conclusiones sobre la muestra a toda la poblacin. Obviamente, el problema central de esta segunda etapa ser saber hasta qu punto las medidas de la muestra describen tambin a la poblacin. Si sabemos que la media de una muestra es 110, hasta qu punto esta media ser tambin aplicable a la poblacin? La estadstica descriptiva debe preocuparse de si la muestra est o no bien descripta a partir de los datos de los individuos, mientras que la estadstica inductiva se preocupar de establecer la representatividad de la muestra respecto de la poblacin. Ms generalmente, la primera es eminentemente descriptiva y no ampla mayormente

10

nuestro conocimiento: mas bien lo resume mediante las medidas estadsticas. En cambio la segunda s ampla nuestro conocimiento pues lo extiende (con cierto margen de error) a toda la poblacin. De aqu que tenga un carcter predictivo, pues conociendo la muestra, puedo predecir hasta cierto punto confiable cmo habr de ser la poblacin.

4. LA INVESTIGACION DESCRIPTIVA
Sabemos ya, por los resultados de la indagacin exploratoria, qu aspectos son importantes o relevantes y cules no respecto del tema estudiado. Tras haber aumentado as nuestro conocimiento sobre la drogadiccin, sabemos ahora que los aspectos relevantes son por ejemplo la desercin escolar, la zona de residencia y la edad, y sabemos que son mucho menos importantes la raza, la inteligencia y el sexo. Todo esto lo hemos llegado a saber en forma intuitiva a partir de los datos que fuimos recolectando en el estudio exploratorio y, si tenemos la suficiente confianza en nuestra intuicin (pues a veces falla), podremos adoptar la decisin de considerar unos factores y rechazar otros. Pero ante la duda, convendr seguir manteniendo en nuestro plan los factores sospechosos de ser irrelevantes: en todo caso la duda quedar aclarada en la investigacin descriptiva. a) Hiptesis Al comenzar el estudio descriptivo no slo ya hemos aumentado nuestro conocimiento del tema sino que adems, y como consecuencia, hemos reducido o achicado el nmero de posibles factores relacionados con la drogadiccin. Por lo tanto, podemos empezar a dar forma aqu a nuestra propia hiptesis sobre qu aspectos influyen sobre la adiccin a las drogas. Comenzaremos por establecer qu es una hiptesis, cmo debemos formularla, y cules son sus elementos constitutivos. En una primera aproximacin intuitiva, diremos que una hiptesis no es una pregunta sino una respuesta, una respuesta a un problema, un intento de explicacin. Cotidianamente solemos formular hiptesis sin ser cientficos. Si alguien no lleg a la cita (problema) buscamos alguna hiptesis para explicar esta situacin (aunque se llame "excusa" si la explicacin la da el impuntual): haba huelga de transportes, tuvo un accidente, se qued dormido leyendo este libro, etc. Son todas respuestas tentativas que despus podrn verificarse o no, segn nuestras ganas. Pero el cientfico tambin inventa hiptesis; de hecho, su tarea central consiste en formularlas y luego probarlas. Por ejemplo frente al problema de porqu existe el dolor, puede ocurrrsele la hiptesis de que el dolor es un aviso natural de alguna enfermedad para alertar al sujeto y poder combatirla. As como las preguntas suscitan respuestas, as tambin los problemas suscitan hiptesis. En una segunda aproximacin ms tcnica, una hiptesis es una proposicin general, sinttica y verificable. Esta definicin nos dice que ante todo una hiptesis es una proposicin, o sea una afirmacin (o negacin) acerca de algo. Cuando simplemente decimos aprendizaje no estamos afirmando ni negando nada, pero cuando decimos que el aprendizaje es estimulado con premios aqu s ya estamos afirmando algo (2). Aunque tambin una negacin es una proposicin (el aprendizaje no es estimulado por premios), lo habitual en la ciencia es la formulacin de hiptesis en forma positiva o afirmativa. La proposicin hipottica debe adems ser general: suponemos y pretendemos que es aplicable a todos los individuos (incluso a los que an no conocemos, con lo que la hiptesis tiene tambin un carcter predictivo). El anterior ejemplo sobre el aprendizaje es una proposicin general; en cambio, "Juancito aprende ms cuando es premiado" es singular, y en este sentido no es una hiptesis. A lo sumo podr ser una proposicin deducible de una hiptesis ("el aprendizaje aumenta con los premios") cuando no el resultado de una observacin. El requisito de la generalidad deriva de una exigencia del conocimiento cientfico que dice que tiene que ser general pues esto no slo aumenta nuestro saber sobre la realidad sino que adems, al ser predictivo, tiene una mayor utilidad prctica. La hiptesis tambin debe ser una proposicin sinttica. De acuerdo con cierta clasificacin de inspiracin kantiana (21), las proposiciones pueden ser analticas, contradictorias y sintticas.
Las proposiciones analticas son siempre verdaderas: "lo que es, es", o "el tringulo tiene tres ngulos", etc. Las proposiciones contradictorias son siempre falsas: "una empanada no es una empanada", "un cuadriltero tiene cinco lados", etc. Lo caracterstico de estas proposiciones es que sabemos su verdad o su falsedad simplemente por el examen de la misma proposicin, con lo que no necesitamos confrontarlas con la realidad: no necesitamos observar un tringulo para saber que tiene tres ngulos, porque la misma expresin "tringulo" ya lo dice.

Si en las proposiciones analticas (o contradictorias) tenemos siempre la certeza de su verdad (o falsedad), en las proposiciones sintticas no podemos saber de antemano (o "a priori", que es ms elegante) si son verdaderas o falsas. Por ejemplo "el lpiz es azul", o "la frustracin genera agresin". Puesto que no conocemos su verdad o falsedad, requerirn entonces ser verificadas empricamente, lo que constituye otra de las caractersticas de una hiptesis. Pero para poder verificar una proposicin sinttica esta deber ser, obviamente, verificable. "Lucifer vive en el infierno" es una proposicin sinttica pues no sabemos de antemano si esto es cierto o no, pero no es verificable pues no contamos con ninguna experiencia que pueda probarlo. Recordemos que una hiptesis es una respuesta a un problema, y si queremos que ste sea solucionable deberemos buscar una respuesta verificable. "La frustracin genera agresin" s es verificable, por ejemplo dando a las personas ciertos problemas para resolver (que en realidad son insolubles) y luego ver si nos tiran con el problema por la cabeza o no. Es entonces posible administrar estmulos frustrantes y observar luego si aparecen o no respuestas agresivas.
Resumamos otras caractersticas de las hiptesis: a) Relevancia: la hiptesis procura dar explicaciones "esperables" de acuerdo al contexto donde se trabaja. En un contexto cientfico no puedo afirmar como hiptesis que "la neurosis se

11

Respecto del modo cmo deben formularse las hiptesis, tenemos basicamente dos variantes: las hiptesis de correlacin y las hiptesis causales. Las primeras tienen pocas pretensiones, pues se limitan a afirmar que hay una cierta correlacin entre dos o ms factores, como cuando decimos que "a mayor cohesin grupal mayor eficacia laboral". Esta hiptesis me dice que cuanto ms unido es un grupo mejor trabaja, o sea me informa que los factores cohesin y eficacia estn altamente correlacionados: cuando aumenta uno tambin aumenta el otro. Pero cuidado: la hiptesis no dice explcitamente que un factor sea la causa del otro (aunque podamos suponerlo ntimamente o leerlo entre lneas), o sea que explcitamente no est formulada como hiptesis causal. Hubiera sido as si hubisemos dicho "la causa de la eficacia laboral es la cohesin grupal", o "la cohesin grupal determina la eficacia laboral", donde la expresin "determina" ya sugiere en forma explcita la idea de un vnculo causa-efecto. La correlacin podr ser directa (ambos factores aumentan, o ambos disminuyen), o inversa (uno aumenta y el otro disminuye, o viceversa). Las hiptesis causales tienen mayores pretensiones: no solamente afirman que dos factores se encuentran correlacionados sino que adems arriesgan la idea que hay un vnculo causal entre ellos, o sea uno es la presunta causa y el otro el efecto. Las hiptesis del tipo "la cohesin grupal es la causa de la eficacia laboral"son claramente explicativas (explican la eficacia a partir de la cohesin), mientras que las hiptesis de correlacin son mas bien descriptivas, pues resumen las observaciones realizadas sobre cierta cantidad de grupos donde se constat una cierta regularidad entre la cohesin y la eficacia. Normalmente, las hiptesis de correlacin van surgiendo en el transcurso de una investigacin descriptiva, pero a medida que avanza esta descripcin el investigador puede ir alimentando la sospecha de que entre ciertos factores no slo hay una correlacin sino tambin una relacin causal. La investigacin descriptiva, como veremos, termina con la formulacin de una hiptesis causal, que luego deber ser probada mediante una investigacin explicativa.
Puede tambin ocurrir que el cientfico alimente primero la sospecha de un vnculo causal, en cuyo caso el paso posterior ser hacer una investigacin descriptiva para constatar si hay o no correlacin, as como su grado o fuerza, como paso previo para probar definitivamente el vnculo causal en el estudio explicativo. De aqu que a veces se diga que en una investigacin descriptiva (y an en una exploratoria) se puede o no partir de hiptesis previas.

debe a que existe el universo". Indudablemente esto no carece de sentido, porque si no habra universo no habra personas y por lo tanto tampoco neurticos, pero sta no es la explicacin esperable en un contexto psicolgico. Del mismo modo, en el contexto de la qumica sera irrelevante explicar un incendio diciendo que se debi a que se quera cobrar el seguro. La explicacin relevante en el mismo contexto es aportada por la teora de la combustin. b) Multiplicidad: habitualmente se proponen varias hiptesis para resolver un problema, y luego se va haciendo una seleccin sobre la base de los elementos de juicio a favor o en contra de cada una de ellas. Hempel (3) cita un ejemplo donde para resolver el problema de por qu las mujeres parturientas contraan la fiebre puerperal, se haban propuesto seis hiptesis alternativas. c) Simplicidad: dadas dos hiptesis alternativas que fueron ambas verificadas con la misma fuerza, se tiende a preferir la ms simple, o sea, aquella que con los mismos elementos explica ms, o aquella que muestra una realidad ms armnica y uniforme, o hasta incluso aquella que resulta psicolgicamente ms entendible. Tras la aparente complejidad de su indagacin, el cientfico trata de buscar la solucin ms sencilla.

b) Conceptos: constantes y variables Examinaremos ahora los elementos constitutivos de una hiptesis, partiendo del siguiente ejemplo: "En la provincia de Buenos Aires, a mayor densidad poblacional menor solidaridad entre los habitantes". En esta hiptesis los elementos que la componen son tres: "rea geogrfica", "densidad poblacional" y "solidaridad", y los llamamos conceptos. Para lo que aqu nos interesa, los conceptos son ante todo propiedades o caractersticas de los sujetos o las poblaciones que estamos estudiando (o sea, propiedades de las unidades de anlisis). Por ejemplo, tal sujeto o tal poblacin tiene la propiedad de estar en tal zona geogrfica, con lo cual "zona geogrfica" es un concepto. Del mismo modo tambin son propiedades de una poblacin su densidad o su grado de solidaridad. Los conceptos tienen diferentes grados de abstraccin: "sexo" o "raza" son propiedades directamente observables, pero hay conceptos ms abstractos como "aprendizaje", "personalidad" o "inteligencia". Estos no son directamente observables (son hipotticos o tericos) salvo a travs de otras propiedades ms empricas o menos abstractas: "inteligencia" puede observarse mediante otros conceptos como "aptitud para la suma aritmtica" o "habilidad para armar rompecabezas". No debemos confundir el concepto con el trmino: el primero es una idea, mientras que el segundo es una mera palabra. Muchas teoras utilizan el mismo trmino como por ejemplo, "transferencia", pero cada una lo conceptualiza de diferente manera y entonces son conceptos diferentes: una cosa es la transferencia en el psicoanlisis, otra en las teoras del aprendizaje, otra el ARN de transferencia en biologa, y an fuera de un contexto cientfico tambin puede significar el trmite de cambio de titularidad de un vehculo. Otro tanto podemos decir del trmino "resistencia", que puede apuntar a un concepto fsico como a uno psicoanaltico.
Si bien utilizamos conceptos en la vida cotidiana ("golosina", "alegra"), y los hay tambin en la filosofa ("ente", "alma"), los conceptos que aqu nos interesan son aquellos que pueden ser tratados cientficamente, para lo cual deben reunir dos requisitos: a) deben poder observarse y medirse. Los conceptos abstractos no son directamente observables, pero si podemos traducirlos a otros conceptos ms empricos entonces s son cientficos. Precisamente al poder observarlos puedo tambin medirlos. Medimos "inteligencia" a travs de la medicin de la "habilidad para el clculo aritmtico"en un test. Para poder transformar un concepto terico en conceptos empricos hago una operacionalizacin, proceso que describiremos ms adelante; b) deben estar vinculados con otros conceptos a travs de una hiptesis. "Solidaridad" como concepto aislado no es tratable cientficamente, salvo que lo relacionemos con "densidad poblacional", o con "raza", etc. La hiptesis permite al investigador relacionar conceptos entre s para determinar cmo varan unos en funcin de otros y, de esta manera, ampliar y profundizar su comprensin de la realidad. Para algunos autores (4), si un concepto rene los dos requisitos apuntados entonces puede usrselo en la investigacin cientfica y recibe el nombre de "constructo".

Sin embargo, en una hiptesis no todos los conceptos funcionan de la misma manera, y as, encontraremos bsicamente dos tipos de conceptos, a los que se suele llamar constantes y variables.

12

Una constante es todo concepto que no sometemos a variacin en una determinada investigacin: precisamente lo mantenemos constante. En nuestro ejemplo anterior "rea geogrfica" es una constante, ya que en la hiptesis queda claro que investigamos solamente poblaciones de Buenos Aires, y no de Entre Ros o Catamarca. Al mantenernos slo en Buenos Aires mantenemos constante el rea geogrfica. Constantes habituales en la investigacin cientfica son las constantes espaciales (como "rea geogrfica") y las temporales (como "ao"). Lo que en una determinada hiptesis puede funcionar como constante, en otra hiptesis puede no hacerlo. Consideremos estas dos hiptesis: "En 1988, el ndice de drogadiccin aument con la desercin escolar", y "Los ndices de drogadiccin fueron aumentando en los ltimos aos". El concepto "ao" funciona como constante en la primera hiptesis, porque lo mantenemos en un valor fijo (1988); pero en la segunda no es constante pues lo sometemos a variaciones (1986, 1987, 1988, etc.). Precisamente llamaremos variable a todo concepto que esperamos que vare a lo largo de una investigacin determinada. En nuestro primer ejemplo variables son la "densidad poblacional" y la "solidaridad", ya que si sometemos a variacin la densidad poblacional es esperable una variacin correlativa de la solidaridad. Cmo sabemos que han variado? Porque las hemos medido, y esta es la razn de la importancia de la medicin en la investigacin cientfica. Obviamente podemos llevarnos una sorpresa: hemos variado la densidad poblacional pero resulta que no vari la solidaridad. Esto no quiere decir que solidaridad deje de ser variable, pues lo esencial de una variable es ser un concepto sobre el cual recae una expectativa de variacin. Si en la hiptesis anterior "densidad poblacional" funcionaba como variable, en otra hiptesis puede funcionar como constante, como en el caso siguiente: "En zonas de igual densidad poblacional, a mayor homogeneidad de razas mayor solidaridad", lo cual demuestra que un concepto no es en s msmo ni constante ni variable: esto lo habr de decidir la hiptesis donde lo inclumos, o sea, el propsito de nuestra investigacin. De entre las muchas clasificaciones de variables que existen hemos seleccionado cinco, de las cuales la ltima ser la ms importante pues sobre ella basaremos gran parte del presente libro. Clasificacin de variables Segn complejidad Segn manipulacin Segn ubicacin Segn medicin Segn funcin Simples (manifiestas) Complejas (latentes) Activas Asignadas Organsmicas Situacionales Cualitativas Cuantitativas (estas pueden ser discretas y continuas) Relevantes: Dentro de las relevantes encontramos las independientes (X), las dependientes (Y), y las adicionales (stas ltimas pueden ser antecedentes, intervinientes y contextuales). No relevantes

Segn su grado de complejidad, las variables pueden ser simples y complejas. Las primeras pueden observarse y medirse directamente, mientras que las segundas son ms tericas y slo pueden observarse y medirse indirectamente traduciendo sus trminos abstractos a trminos empricos. "Inteligencia" es variable compleja pues slo puede medirse a travs de sus indicadores empricos, como por ejemplo "aptitud para comprender refranes". Ms adelante, al hablar del proceso de operacionalizacin, volveremos a caracterizar variables complejas como aquellas constitudas por varias dimensiones, y variables simples como las que no tienen dimensiones. De acuerdo con otras nomenclaturas, las variables simples se llaman tambin manifiestas, y las complejas latentes. Segn el grado de manipulacin ejercido por el investigador sobre las variables, stas podrn ser activas o asignadas segn que sean manipuladas o no, respectivamente, entendiendo por manipulacin la accin que realiza el investigador de cambiar sus valores a voluntad. La edad suele ser una variable de fcil control, ya que el investigador puede agrupar personas de acuerdo a su edad en forma sencilla. Pero si intenta agrupar personas con la misma motivacin podr tener dificultades debido a su desconocimiento de las motivaciones de las diferentes personas para estudiar, jugar, aprender, etc. "Motivacin" es as una variable asignada o de difcil control, salvo que el investigador pueda "despertar" la motivacin y regularla sobre la base de premios o castigos, en cuyo caso pasa a ser una variable activa. La distincin entre variables activas y asignadas es importante por cuanto, como veremos, la gran tarea del investigador es la de manipular variables. No debe confundirse la manipulacin con el control. La manipulacin se ejerce sobre las variables independientes, pues son stas las que el investigador vara a voluntad para ver si se produce alguna variacin en la variable dependiente. Mientras tanto, las otras variables adicionales que podran estar tambin influyendo sobre sta ltima deben ser controladas, es decir, se intentar evitar su influencia. En suma: las variables independientes se manipulan, la variables adicionales o extraas se controlan, y finalmente las variables dependientes se miden (para saber si sufri alguna variacin por efecto de la variable independiente). Segn su ubicacin, las variables pueden ser organsmicas y situacionales. Las primeras son propias del sujeto (temperamento, tolerancia a la frustracin, etc.), mientras que las segundas son ms propias del ambiente o la situacin que rodea al sujeto (clima poltico, clima meteorolgico, tipo de tarea a realizar, etc.). Ciertas variables como "inteligencia"son lo suficientemente complejas como para inclur aspectos organsmicos (factores genticos, maduracin nerviosa) y aspectos situacionales (alimentacin, estimulacin recibida). No obstante, en cada teora puede predominar la concepcin organsmica o la situacional de inteligencia: para el conductismo ortodoxo,

13

inteligencia es una variable eminentemente situacional en tanto considera que una persona es ms o menos inteligente segn el ambiente y los estmulos que en l se generan. Segn el nivel de medicin empleado para medir las variables, stas pueden ser cualitativas o cuantitativas. Toda variable tiene distintas posibilidades de variacin: "religin" tiene como posibles variaciones "catlico", "protestante", "judo", etc., y la variable edad admite variaciones como "10 aos", "11 aos", etc. Las primeras se denominan cualitativas y las segundas, al expresarse numricamente, son cuantitativas. Aqu los nmeros no deben ser simples etiquetas, como los que identifican a los jugadores de ftbol, sino que deben poder servir para realizar sumas, restas, etc. Otras variables cualitativas son por ejemplo "partido poltico", "sexo", etc., y variables cuantitativas son tambin "cantidad de hijos", "peso", etc. Las variables cuantitativas pueden a su vez ser continuas y discretas, lo que en ltima instancia depender de la decisin del investigador. As, la variable "edad" ser considerada discreta si sus valores remiten slo a nmeros enteros: 20, 21, 22 aos., etc., y ser considerada continua si sus valores pueden ser enteros y fraccionarios (edades en aos, meses y das). En las variables continuas es siempre posible agregar otro valor entre dos valores dados cualesquiera. Tambin depende de una decisin del investigador considerar una misma variable como cualitativa o cuantitativa, segn su criterio. Si considera para "altura" los valores "alta", "media" y "baja" la estar tomando como cualitativa; no as si selecciona los valores "1,60", "1,70", etc. El importante requisito de exactitud que debe regir toda investigacin nos har preferir siempre que se pueda el nivel cuantitativo. Llegamos ahora al criterio ms importante y ms utilizado para clasificar variables: segn su funcin en el contexto de la investigacin. Si bien esta clasificacin vara mucho de un autor a otro, propondremos aqu una que nos parece lo suficientemente completa. Primeramente encontramos variables relevantes y no relevantes. Estas ltimas, que sern descartadas por el investigador son aquellas que, a juicio de ste, no influyen en la investigacin que est realizando, o al menos existen razonables elementos de juicio como para eliminarlas. Podemos pensar que la dureza de los minerales no influye para nada sobre el humor de las personas, salvo que nos arrojen una piedra por la cabeza. Las variables relevantes son aquellas que s consideraremos en la investigacin, sea porque son las variables que queremos estudiar directamente (la independiente y la dependiente), sea porque sospechamos que estn ejerciendo algn tipo de influencia que deseamos medir para controlarlas y eventualmente anularlas (variables adicionales). As por ejemplo, si estamos indagando la influencia del ruido sobre el estrs, podemos sospechar que tambin acta una variable adicional, el tipo de ocupacin, que tambin influira sobre el estrs. Para controlarla y anular su influencia procuraremos que los sujetos sean lo ms heterogneos posible en cuanto a sus respectivas ocupaciones. Hipotticamente, en el medio de nuestra investigacin podemos empezar a darnos cuenta que el ruido no tiene nada que ver con el estrs, sino la ocupacin. Si entonces nos proponemos estudiar la influencia de sta ltima sobre el estrs, entonces la variable adicional pasar a ser una variable independiente, y ruido de ser variable independiente pasar a ser una variable no relevante. Llamaremos variable independiente a aquella que supuestamente acta como causa (por ejemplo el ruido). En cambio la variable dependiente es el efecto (el estrs). Si se la denomina dependiente es slo porque suponemos que "depende" de la independiente. Por convencin universal a la variable independiente se la designa X y a la dependiente Y, con lo cual la relacin entre ambas variables puede expresarse del siguiente modo: X -----------> Y Esta expresin, tan sencilla como fundamental, significa que X es la supuesta causa de Y ("supuesta" porque no necesariamente tuvo que haber sido probada, como ocurre en los preliminares de la investigacin). A la variable X se la suele llamar tambin variable experimental, porque es aquella variable que manipular o har variar el investigador para ver si tambin vara Y. As por ejemplo el cientfico producir diferentes intensidades de ruidos (vara X) para comprobar si en la misma medida vara tambin el estrs (variacin de Y). Observemos que no hace variar directamente Y, sino indirectamente actuando sobre X. En sntesis: el investigador acta sobre X, y X eventualmente actuar sobre Y. Vale la reiteracin por ser una relacin importante: la variable dependiente es aquella que depende de la independiente. En la hiptesis que dice que "nuestra impresin de las personas depende de cmo hablan" se est considerando que la impresin es la variable dependiente y el modo de hablar la variable independiente. En el caso anterior es el mismo enunciado de la hiptesis el que nos est indicando explcitamente qu variable depende de la otra. Puede ocurrir sin embargo que nos presenten dos variables aisladas -no vinculadas mediante una hiptesis- como por ejemplo "edad" y "memoria". En estos casos la mejor forma de saber cul es cul es hacernos interiormente la pregunta "cul depende de cul?". Obviamente, tiene ms sentido decir que la memoria depende de la edad, que decir que la edad depende de la memoria. Esto ltimo puede funcionar como chiste, como cuando a una persona le preguntamos su edad y hace que no se acuerda. La cuestin puede complicarse cuando nos dan estas otras dos variables: "clase social" e "inteligencia". Aqu cualquiera de las dos puede funcionar como variable depediente o independiente, segn qu sea lo que nos interese investigar.Tiene tanto sentido decir que la inteligencia depende de la clase social (pues las clases ms altas alimentan mejor y dan ms estimulacin a sus nios, con lo que estos desarrollarn mayor inteligencia), como decir que la clase social depende de la inteligencia (sujetos ms inteligentes tienen mayores posibilidades de escalar clases sociales). Otro tanto podemos decir con respecto a las variables "cantidad de ensayos" y "nmero de errores". El esquema simple X-------->Y nos sugiere la idea que los fenmenos obedecen a una nica causa. Al respecto, se pueden sustentar tres posiciones distintas: a- Todo fenmeno tiene una sola causa. b- Algunos fenmenos se deben a una sola causa, pero otros a varias.

14

c- Todo fenmeno responde a muchas causas. El sentido comn sostiene habitualmente la primera postura. En nuestra vida cotidiana solemos basarnos en este supuesto cuando afirmamos o creemos en enunciados tales como "coma manzanas y adelgazar", o "si estoy enojado se debe simplemente a que usted me hizo enojar", etc., o bien "no aprob el examen porque el profesor se ensa conmigo". Si nos mantenemos en esta ilusin de la nica causa se debe probablemente a que, entre otras razones, en nuestra fantasa podremos controlar la ocurrencia o la no ocurrencia de los acontecimientos controlando un solo factor, o sea de la forma ms sencilla. Si yo pienso que me resfri simplemente porque me desabrigu, podr supuestamente controlar el resfro abrigndome bien. La psicologa conoce bien esta tendencia. De Vega refiere que el hombre de la calle utiliza un principio de parsimonia intuitivo cuando busca explicaciones causales a los fenmenos. Tendemos a sobreestimar el valor de las atribuciones unicausales, a conformarnos con una sola causa plausible, minimizando otras causas concurrentes (23). Sin embargo, cuando empezamos a advertir que las cosas no son tan sencillas empezamos a sostener insensiblemente la segunda postura, pero la tercera posicin ya es sustentada por la actitud cientfica. Aos de investigaciones ensean que la realidad es bastante ms compleja de lo que se supone y que cualquier fenmeno, por simple y anodino que parezca, obedece a muchas causas que actan conjuntamente para producirlo. Uno podra pensar que la rotura de un vidrio tiene una sola causa: la piedra que hemos arrojado contra l. Este acontecimiento obedece sin embargo a muchas razones que intervienen simultneamente: el arrojar la piedra, la dureza y la trayectoria de la misma, su velocidad, la fragilidad del vidrio, nuestro propio instinto de agresin, etc. etc. Conoc un nio que habiendo roto una ventana, se justific diciendo "qu culpa tengo yo si el vidrio es frgil". Podra tambin haber dicho, apelando a otra posible causa, "qu culpa tengo yo si el vidrio se interpuso en la trayectoria de la piedra". Pero si el cientfico sostiene la tesis de la policausalidad, por qu entonces se plantea habitualmente el simple esquema X Y? Podemos citar dos razones importantes: a) es imposible poner a prueba simultneamente todas las causas posibles (entre otras cosas porque las desconocemos), por lo que el cientfico decide probar uno por uno cada factor causal en investigaciones separadas e independientes sobre la base del esquema antes indicado; b) al cientfico suelen interesarle, por razones prcticas, slo ciertos factores que est en condiciones de controlar. En la causacin de la neurosis intervienen muchas causas, entre las que podemos citar los factores constitucionales heredados y los conflictos sexuales no resueltos de la primera infancia. Como por ahora, y dado el relativamente exiguo avance de la ingeniera gentica no se puede influr en los genes para evitar la neurosis, cientficos como Freud se abocaron al estudio de la causalidad sexual infantil, cosa que s es posible controlar o influenciar mediante una educacin adecuada. Conciente de la necesidad de adoptar un punto de vista policausalista, el creador del psicoanlisis se refiri tambin a los factores constitucionales, pero slo se limit a mencionarlos. No obstante lo dicho, el simple esquema X Y admite una complejizacin ms. Si bien no se pueden investigar simultneamente todas las causas posibles, mediante diseos ms complejos podemos estudiar unas pocas causas al mismo tiempo, con lo cual resultan dos esquemas de investigacin:

X1 X Y
Esquema bivariado

X2 X3

Esquema multivariado

Las investigaciones ms simples son bivariadas: consideran solamente la variable independiente X (posible causa) y la variable dependiente Y (efecto). Tal es el caso del abordaje de hiptesis como "la memoria depende de la edad", "ambientes con msica aumentan el rendimiento laboral", etc., o de aquellas otras que la divulgacin cientfica suele expresar ms literariamente como "el mal humor es una hormona" y "la tristeza atrae a los virus" (5). En cambio, ejemplos de investigaciones multivariadas son la indagacin simultnea de la edad, el sexo y la situacin familiar como posibles causas de la drogadiccin. O la msica, el color de las paredes y la temperatura ambiente como posibles factores que influyen sobre el rendimiento laboral. Tanto en estos esquemas como en los simples bivariados, siempre la variable dependiente es una sola, y lo que s puede variar es el nmero de posibles causas o variables independientes tomadas en consideracin. Por supuesto que tericamente cabe tambin la posibilidad de investigar simultneamente dos variables dependientes (dos efectos) de una nica causa, como sera el esquema:

Y1 X Y2

15

Tal es el caso del enunciado "el ruido produce estrs y tambin hipoacusia", pero en estas situaciones deberemos desglosar el enunciado en dos hiptesis diferentes ("el ruido produce estrs" y "el ruido produce hipoacusia") y emprender dos investigaciones diferentes y bivariadas, con lo que volvemos al primer esquema simple. Y si bien es posible tambin desglosar una investigacin bivariada en varias bivariadas, si se prefiere la primera es porque ahorra tiempo y esfuerzo o porque no es posible separar en la realidad la influencia de las otras posibles causas. Veamos algunos ejemplos de relaciones X-Y, o sea de posibles vnculos causales:
Edad Nivel econmico Area geogrfica Mtodo de enseanza Proximidad elecciones Padres separados Memoria Hbitos alimenticios Drogadiccin Rapidez del aprendizaje Voto decidido Desercin escolar Incentivo Nivel socioeconmico Cantidad de ensayos Desercin escolar Frustracin Drogadiccin Rendimiento Inteligencia Nmero de errores Drogadiccin Agresin Soledad

En los ejemplos de la segunda columna la relacin causal puede darse en cualquiera de ambos sentidos: si bien es cierto que el incentivo aumenta el rendimiento, un mejor rendimiento puede a su vez funcionar como incentivo. O tambin la droga hace que un adolescente falte al colegio, y a su vez la ausencia del colegio hace que vaya a otros lugares donde puede adquirir el hbito. En ltima instancia cul de los dos factores ser considerado causa depende, lo dijimos, de la decisin del investigador, lo cual viene a mostrarnos que fuera de todo contexto no podemos saber si una variable dada es independiente o dependiente, y slo lo sabremos viendo cmo est relacionada con otra variable: si como causa o como efecto. El solo hecho de pensar que la variable conducta en psicologa es dependiente (pues pensamos que la psicologa estudia las causas de la conducta), no debe hacernos excluir la posibilidad de que, en este mismo mbito, pueda ser considerada a veces como independiente, en la medida que se pretenda investigar cmo influye nuestro comportamiento sobre nuestra visin de nosotros mismos o en la consideracin de los dems.
En algunos de sus escritos Freud consider al sntoma en su doble aspecto de causa y efecto. Lo entendi como efecto cuando sugiri que un sentimiento de culpa o una intensa fijacin anal (causa) puede hacer que el paciente sea un manitico de la limpieza (sntoma-efecto); y lo entendi como causa, cuando agreg que su mana por la limpieza (sntoma-causa) puede tornarse tan insoportable para el mismo sujeto que se defienda de ella con una extrema suciedad (efecto, o sntoma secundario).

El solo hecho de llevar a cabo una investigacin bivariada no nos garantiza, sin embargo, que sobre el efecto Y no estn actuando en la realidad los otros posibles factores causales. Se hace necesario entonces controlar (en el sentido de neutralizar) la influencia de ellos porque si no nunca podremos saber si Y se produjo debido a X (que es lo que nos interesa) o debido a los otros factores. Ya qued dicho que si no se puede aislar la influencia de stos podremos optar por un diseo multivariado. Estas otras posibles causas que es necesario controlar o neutralizar se llaman variables adicionales. A lgunos autores la designan con la letra "t" como Hyman (6), y otros con la letra "z" como Blalock (7). Tambin suele designrselas como variables de control, factores de prueba, etc., en alusin al uso que se les da en la investigacin. E n lo que sigue adoptaremos la denominacin "z", con lo cual el esquema simple bivariado adquiere en realidad la siguiente forma:

z1 X z22
Las lneas punteadas indican que los factores adicionales estn supuestamente ejerciendo influencia sobre Y, y entonces la debemos neutralizar. Tal es la esencia de un experimento: aislar variables. Oneil (15) da una excelente definicin de experimento cuando dice que es un modelo particular de variacin y constancia, con lo cual, entre otras cosas, est queriendo decir que en todo experimento hacemos variar solamente X para ver cmo vara Y, mientras se mantienen constantes todos los otros posibles factores z1, z2, etc. Muy genricamente, entonces, una variable adicional es aquella de la cual sospechamos que puede estar ejerciendo influencia causal sobre Y, con lo cual resulta que nos es X el nico factor causal pero s el nico que nos interesa. En un esquema multivariado tambin habr que controlar otros posibles factores z, mientras investigamos slo los que nos interesan en ese momento (X1, X2, X3, etc.). Estas variables adicionales o extraas pueden estar ejerciendo su influencia de tres maneras distintas, de donde podemos decir que habr tres tipos de variables adicionales (8).

16

z X Y

z X z Y

Y
Variable interviniente Variable contextual

Variable antecedente

Los esquemas nos muestran que z acta como variable antecedente cuando ocurre cronolgicamente antes de X; que acta como variable interviniente cuando ocurre despus de X; y que acta como variable contextual cuando ocurre al mismo tiempo (simultneamente) que X. Examinemos un ejemplo de variable antecedente:

Tipo de ocupacin

Tiempo ausencia hogar

Estrs

Tras haber realizado una investigacin descriptiva podemos empezar a sospechar que X es causa de Y debido a la alta correlacin encontrada entre ambas variables: cuanto ms tiempo alejada del hogar apareca una persona, mayor nivel de estrs constatbamos en ella. Pero luego empezbamos a sospechar que este vnculo causal es slo aparente, y que si afectivamente hay una alta correlacin se debe en realidad a que hay otro factor z que acta simultnea e independientemente sobre X y sobre Y. Efectivamente: el tipo de ocupacin influye en forma independiente y simultnea sobre el tiempo de ausencia del hogar y sobre el estrs. Por ejemplo: los ejecutivos estn mucho tiempo ausentes del hogar pero tambin las exigencias y responsabilidades de su profesin les producen estrs. Si comprobamos que efectivamente el estrs es producido por el tipo de ocupacin y no por el mayor o menor tiempo de ausencia del hogar, entonces la relacin original X-Y deja de ser causal y pasa a ser una relacin "esprea", o sea, el vnculo que primeramente nos pareca causal pero luego constatamos que no lo es. Este tipo de constatacin se llama prueba de espureidad, y la veremos con mayor detalle en otro captulo.

Otro ejemplo de variable antecedente son los factores genticos. El hecho de que hayamos encontrado una alta correlacin entre la raza (X) y ciertos tipos de cncer (Y) no prueba necesariamente que la raza sea la causa de esas patologas: raza y cncer dependen de factores genticos (Z), por ejemplo: si pensamos que entre X e Y hay una relacin causal es porque vimos alta correlacin, pero sta puede deberse simplemente a que raza y cncer estn determinados por el mismo cromosoma, portador al mismo tiempo del gen del color de piel (raza) y del gen que predispone al cncer. Otro investigador podr sospechar otra cosa: que el cncer se debe a la raza y que los factores genticos no influyen, si por ejemplo piensa que el color de piel hace que los rayos ultravioletas solares pentren ms profundamente en los tejidos y tengan ms probabilidades de producirles lesiones malignas. En estos casos la investigacin estar encaminada a probar que X es causa de Y, en lugar de intentar probar que no lo es por existir otro sospechoso ms convincente (z).

Veamos ahora un ejemplo de variable interviniente. Originalmente, los datos de una investigacin descriptiva nos pueden hacer sospechar que el nivel de educacin de las personas (X) es lo que determina sus intenciones de voto (Y) o sea, sus intenciones por participar activamente del sistema democrtico, sea porque la educacin ensea la importancia del voto, sea porque simplemente hemos advertido una alta correlacin entre ambos factores (personas poco instrudas tienden a no votar, personas instrudas tienden a querer votar). Podemos sin embargo suponer que en realidad entre X e Y se interpone una variable ms: el inters en poltica (z), de forma tal que el nivel de educacin determina el inters en poltica y recin ste es la causa directa de la intencin de votar:

17

X
Nivel de educacin

z
Inters en poltica

Y
Intencin de voto

Podramos aqu argumentar que en rigor el nivel educativo es tambin causa, aunque indirecta, de la intencin de votar. Esto es admisible, pero tambin es cierto que lo que al cientfico le interesa es una causa mas bien directa para poder controlar mejor la aparicin o la no aparicin de Y. Es ms difcil controlar la intencin de votar a partir del nivel educativo pues puede ocurrir que cierto tipo de educacin no despierta inters en poltica. En cambio el inters poltico es ms seguro para controlar la intencin de voto. Esta es slo una razn prctica para elegir causas directas, pero hay tambin una razn terica: no aumenta en mucho nuestro conocimiento de un fenmeno conociendo sus causas remotas. Efectivamente, cuanto ms indirecta o remota sea la causa menor inters tendr para el cientfico: una causa remota de la drogadiccin es por ejemplo la existencia del sol, ya que si no hay sol no hay fotosntesis, y por lo tanto no hay plantas, y por lo tanto no habr ni cocana ni marihuana, con lo cual no habr drogadiccin. La explicacin de la adiccin a las drogas por el sol resulta ser inatingente. Examinemos, por ltimo, la variable contextual. Una investigacin descriptiva realizada en nuestro pas nos ha revelado que hay una alta correlacin entre el sexo de los estudiantes y la carrera que estos eligen, ya que por ejemplo los hombres se orientan sobre todo hacia la ingeniera y las mujeres hacia la psicologa:

z X Y

Pas

Sexo

Carrera

Esquemas lineales Suponiendo que nuestra investigacin haya sido hecha a escala internacional, podramos llegar a advertir que la relacin sexo-carrera sufre variaciones segn el pas considerado. Podramos quizs constatar que en los pases 1 2 X X socialistas aumenta laXproporcin X de mujeres que estudian ingeniera, etc.Xn Sobre la original relacin X-Y est entonces actuando una variable contextual (pas), la que obviamente no tendremos en cuenta si la investigacin es slo a nivel nacional, en cuyo caso deja de ser variable adicional y pasa a ser una constante. Por lo general las variables contextuales son espacio-temporales. La relacin sexo-carrera no slo puede depender de la regin o pas, sino tambin de la poca considerada: hace 60 o 70 aos la proporcin de mujeres 3 X 4 X que estudiaban medicina era considerablemente menor. X X X Otras relaciones entre variables .- No siempre una investigacin se ajusta al esquema simple X>Y. Hay una Xn Xn cantidad enorme de esquemas diferentes, de los cuales los siguientes son apenas una muestra.

X 5 X Xn 6

X X Xn

Xn

X 7 X Xn X 8 X

X X Xn

Esquemas cibernticos

10

11

X
Xn significa una X o ms

18

Hemos clasificado estos diferentes esquemas en lineales y cibernticos. Estos ltimos estudian especficamente procesos de feedback o retroalimentacin: no es lo mismo estudiar como influye la alimentacin en la inteligencia (esquema lineal X Y), que estudiar como ambas variables se influyen mutuamente (X Y). El esquema 8, en particular, es citado por caso por Blalock (22) como ejemplo de complicacin de fuentes de espureidad: el vnculo entre religin (X superior) y preferencia poltica (Xn) puede obedecer a dos causas comunes (X izquierda y X derecha): la religin y la regin del pas. Porqu en la figura anterior no hemos indicado ninguna Y (variable dependiente)? En realidad en cualquiera de estos esquemas se puede sustitur alguna X por Y, siempre y cuando a la Y llegue una flecha y al mismo tiempo no salga ninguna flecha de ella. Estas sustituciones, sin embargo, careceran de sentido en los esquemas cibernticos, donde todas las variables son al mismo tiempo independientes y dependientes, pues todas ellas influyen y son infludas. c) Categorizacin y operacionalizacin Si bien las constantes son importantes como marco de referencia, lo que el investigador atiende son fundamentalmente las variables porque stas, al variar o no variar, le permitirn sacar conclusiones sobre la aceptacin o rechazo de su hiptesis. Este paso fundamental que es la prueba de hiptesis no puede llevarse a cabo si antes no hemos sometido a todas las variables de la hiptesis a un doble proceso: la categorizacin y la operacionalizacin. La categorizacin es el proceso por el cual especificamos cules sern las categoras de la variable que habrn de interesarnos. A su vez, las categoras o valores son las diferentes posibilidades de variacin que una variable puede tener. Qu posibilidades de variacin tiene clase social? Alta, media y baja, y por lo tanto estas tres sern sus categoras. Y si queremos ser ms sutiles podemos identificar cinco posibilidades: alta, media alta, media, media baja y baja, y si acaso nuestro estudio se centra en un pas donde slo hay dos clases sociales netamente diferenciadas, entonces slo adoptaremos dos categoras, todo lo cual demuestra que las categoras se seleccionan segn los propsitos de cada investigacin.
No obstante esta libertad para elegir, y sea cual fuese el sistema de categoras seleccionado, ste debe reunir dos requisitos: a) las categoras deben ser mutuamente excluyentes. No podemos decir que las categoras de la variable religin son cristianos y catlicos porque hay una superposicin en las mismas; b) deben ser adems exhaustivas, o sea deben agotar todas las posibilidades de variacin, con lo cual no podramos decir que las categoras de la variable raza son solamente blanca y negra. Hay veces en que son muchas las categoras que habra que agregar para cumplir con este requisito, en cuyo caso podremos agruparlas a todas las restantes bajo una categora residual caratulada como otras. Estos dos requisitos sirven en la medida en que permiten ubicar a cualquier sujeto en una y slo una categora sin que surjan dudas. Si tengo que ubicar al Papa no sabr si ponerlo en cristianos o catlicos, de aqu que podamos tambin definir la exclusin mutua como la imposibilidad de que un sujeto cualquiera pueda adquirir ms de un valor de la variable. En el caso de la variable ocupacin, puede ocurrir que un individuo sea al mismo tiempo mdico y psiclogo, en cuyo caso se podrn abrir categoras mixtas (por ejemplo mdico y psiclogo) con lo que queda igualmente salvado el requisito de la mutua exclusin. De idntica forma y para el segundo requisito, si tengo que ubicar a un japons y slo cuento con las categoras blanco y negro no podr hacerlo, de aqu que tambin podamos definir la exhaustividad como la imposibilidad de no poder categorizar a un sujeto cualquiera.

Las posibilidades de variacin pueden llamarse categoras o valores. Se acostumbra a llamar categoras a aquellas que no admiten un tratamiento cuantitativo por medio de clculos, y por lo tanto regularmente se expresan en palabras. Tales son las categoras de clase social, de raza, de partido poltico, etc. En cambio suelen llamarse valores a las posiblidades de variacin cuantitativa, por lo que han de expresarse numricamente. Es el caso de las variables cuantitativas peso, altura, ingreso mensual, edad, nmero de hijos, cantidad de ingesta diaria de alcohol, etc. As como un concepto puede ser tratado como constante o como variable, as tambin una variable puede ser tratada como cualitativa o cuantitativa, aunque ya hemos indicado que siempre deben preferirse valores numricos. La variable participacin social puede asumir categoras como intensa, moderada, escasa o nula (lo que nos da una idea cualitativa de la participacin de los sujetos en la sociedad), o puede asumir

19

valores como 1, 2, 3, etc., designando con estas cifras la cantidad de instituciones a las que el individuo est afiliado (lo que nos da una idea cuantitativa de un grado de participacin en el seno social). Pero a las variables no slo hay que categorizarlas, sino tambin operacionalizarlas. Llamaremos operacionalizacin al proceso por el cual transformamos o traducimos una variable terica en variables empricas, directamente observables, con la finalidad de poder medirlas. Obviamente una variable que ya es emprica no necesita ser operacionalizada, o, mejor, la operacionalizacin es mucho ms sencilla. Para explicar la operacionalizacin nos basaremos en el siguiente esquema, que describe suscitamente el proceso: Desde un punto de vista ms tcnico, operacionalizar significa identificar cul es la variable, cules son sus dimensiones y cules los indicadores y el ndice (o, lo que es lo mismo, definirla tericamente, realmente y operacionalmente), ya que todo ello nos permitir traducir la variable terica en propiedades observables y medibles, descendiendo cada vez ms desde lo general a lo singular.

20

Variable

Definicin terica

D1

D2

D3

Definicin real

I1

I2

I3

I4

I5

I6

Definicin operacional

Indice

D = Dimensiones I = Indicadores

Habamos dicho que una misma expresin poda referirse a conceptos diferentes: el trmino inteligencia puede significar una institucin (Servicio de inteligencia), una habilidad para resolver situaciones nuevas (en la orientacin de Claparede) o puede hacer alusin a habilidades verbales, manuales y sociales (en la orientacin de Weschler). El propsito de la definicin terica es precisamente eliminar esta ambigedad para estar seguros de cul es el concepto que queremos operacionalizar: slo identificndolo de esta forma sabremos cules cuales pueden ser sus correspondientes dimensiones e indicadores. Cuando se trata de variables tericas o complejas, debemos discernir en ellas varios aspectos o facetas para describirlas adecuadamente. Este no es el caso de variables simples como sexo. Si bien el sexo puede tener varios aspectos, habitualmente no necesitamos considerarlos a todos para saber a qu sexo pertenece una persona: basta con mirar su aspectos general y, si esto no resultare confiable, lo constatamos mediante el documento de identidad, o se lo preguntamos directamente. En cambio la variable inteligencia tiene muchos aspectos, y para describirla y medirla no basta simplemente con decir que alguien tiene inteligencia porque tiene una mirada inteligente ya que esto, adems de subjetivo (otro observador puede estar en desacuerdo), es muy parcial (no es el nico aspecto). Todas las facetas que nos permiten describir adecuadamente una variable compleja se llaman dimensiones. Dimensiones de inteligencia son por ejemplo inteligencia verbal, manual y social. Estas dimensiones nos acercan un poco ms al plano emprico, a lo observable, o sea permiten concretizar ms una variable que antes haba sido definida slo tericamente. Si un profano nos pregunta qu es la inteligencia y le damos una definicin terica, mucho no habr entendido, pero si le enumeramos sus dimensiones tendr una mejor comprensin porque aludimos a caractersticas o facetas ms concretas: ser inteligente es saber usar las palabras, ser hbil con las manos, y saberse manejar con las personas. Del mismo modo, dimensiones de la variable clase social sern por ejemplo el prestigio ocupacional, el nivel econmico, el nivel de educacin formal y modo de vida. Especificar las dimensiones de una variable es dar una definicin real de la misma. Dar una definicin terica no es slo importante porque nos permite inferir las dimensiones de la variable definida (si tomamos la definicin terica de Weschler las dimensiones sern verbal, manual y social), sino tambin para decidir acerca de si tiene o no dimensiones (o sea, si es compleja o simple). En sociologa, a la variable sexo se la considera simple, pero en medicina puede considerrsela compleja, de aqu que en este ltimo contexto sexo tenga varias dimensiones: sexo cromosmico, cromatnico, gonadal y fenotpico. Otro tanto podemos decir de la variable clase social: en ciertos pases y culturas las personas de distinta clase social se visten inexorablemente en forma muy distinta, y basta este solo indicador para saber enseguida a qu clase social pertenece una persona sin necesidad de investigar su nivel econmico, el prestigio de su ocupacin, su nivel de educacin, etc. En estos casos clase social pasa a ser una variable simple.
Suele a veces confundirse categora con dimensin, y una regla prctica nos ayudar a distinguirlas. Una categora es una especie de casillero donde podemos ubicar a un sujeto: clase media es una categora de la variable clase social porque puedo encasillar all a un sujeto segn ciertas caractersticas que observ en l, caractersticas que surgen de las dimensiones. No tiene sentido decir que ubicaremos un sujeto dentro de ingresos o dentro de educacin formal, pues estas son dimensiones: todo sujeto es ubicable en una determinada categora pero contiene todas las dimensiones, pues cualquier sujeto tiene un cierto ingreso, una cierta educacin formal, etc., y es gracias a este anlisis que puedo ubicarlo en tal o cual categora.

Si bien las dimensiones nos permiten acercarnos un poco ms al plano emprico, todava no nos alcanzan para poder observar y medir conductas concretas. As como cuando dbamos una definicin terica el profano no entenda de qu hablbamos, con el mismo derecho cuando ahora le especificamos dimensiones puede decirnos que eso de inteligencia verbal es an algo genrico y vago, con lo cual nos vemos obligados a descender an ms al nivel emprico. O sea, a partir de las dimensiones buscaremos indicadores. Precisamente se llaman indicadores porque nos indican qu cosas concretas y palpables debe realizar un sujeto para poder decir si tiene o no inteligencia verbal, manual o social, y en qu medida. Indicadores de la dimensin

21

inteligencia verbal sern entonces qu amplitud de vocabulario tiene, si puede o no completar frases, si puede encontrar absurdos en frases como qu lstima que el sol se ponga de noche porque ese es justo el momento donde ms lo necesitamos! o como llova, Juan se sumergi en el ro para no mojarse. Del mismo modo indicadores de la dimensin educacin formal podran ser si complet o no la primaria, la secundaria o la universidad, e indicadores de la dimensin nivel socioeconmico pueden ser el ingreso mensual por trabajo, si es o no propietario, cuntos coches tiene, nivel de ingreso por rentas, si es o no socio de un country, si tiene o no tarjeta de crdito, etc. Generalmente necesitamos varios indicadores, pues uno solo no suele ser suficiente para caracterizar la correspondiente dimensin: si juzgramos el nivel socioeconmico slo a partir de si es o no propietario podramos equivocarnos pues una persona podra haber heredado una propiedad hipotecada, estar desempleado o ganar apenas para su subsistencia. As entonces, un indicador es una propiedad manifiesta gracias a la cual podemos medir directamente una propiedad latente que nos interesa (la variable terica). La aptitud para armar rompecabezas es una caracterstica manifiesta que me permite medir la inteligencia, que es una caracterstica latente. En ltima instancia los indicadores, as como las dimensiones, son tambin variables slo que ms empricas, pues tambin son susceptibles de variacin: la aptitud para armar rompecabezas es un indicador que puede adoptar distintos valores, como por ejemplo de 1 a 10, donde el nmero diez correspondera al armado perfecto en el tiempo mnimo para determinada edad.
Una definicin ms precisa de indicador dice que es una propiedad observable que suponemos ligada empricamente (aunque no necesariamente en forma causal) a una propiedad latente que nos interesa. Esto quiere decir que al seleccionar indicadores podemos optar en principio e indistintamente por aquellos que solamente estn altamente correlacionados con la variable, o por aquellos otros que, adems, suponemos que son efectos de la causa que es la variable terica. Un ejemplo de Lazarsfeld nos aclarar la cuestin. Al buscar indicadores de la variable antisemitismo pueden seleccionarse dos tipos de indicadores, o una mezcla de ambos: a) La obediencia y el respeto a la autoridad son las virtudes ms importantes que debe aprender un nio. Esta es una afirmacin que figura en un cuestionario que mide antisemitismo y el sujeto debe responder si est o no de acuerdo, es decir, es un indicador. Pero este indicador no expresa directamente la variable antisemitismo sino autoritarismo, y si lo consideramos es solamente porque sabemos que hay una alta correlacin entre ambas variables. En rigor dicho indicador no es manifestacin o efecto directo de la variable que nos interesa, que son las inclinaciones antisemitas; b) La mayora de la gente no se da cuenta hasta qu punto nuestras vidas estn regidas por las conspiraciones de los polticos. Este indicador ya expresa directamente el antisemitismo (basta pensar en el presunto fraude de los Protocolos de los Sabios de Sion), y est en una relacin de causa-efecto con el mismo: el grado de antisemitismo es la causa de que la persona responda si est o no de acuerdo con dicha afirmacin. Lazarfeld (10) llama al primer tipo indicador expresivo y al segundo indicador predictivo, pues slo se puede predecir una respuesta con cierta seguridad sobre la base de un vnculo causal. Como luego veremos, efectivamente, la simple correlacin no prueba que haya causalidad, y tiene menor potencia predictiva. En suma: el primero es un indicador de otra variable muy correlacionada con la que nos interesa, mientras que el segundo mide directamente esta ltima con la cual lo suponemos ligado causalmente.

Antes de referirnos a los ndices, convendr previamente distinguir entre otros tres conceptos que suelen confundirse: indicador, tem y dato. Cuando uno se propone disear un test de inteligencia, busca crear varias pruebas concretas de diversa ndole, o sea, deber bajar al plano emprico. Para ello, como vimos, deber primero identificar las dimensiones y luego los indicadores de cada dimensin. Uno de estos indicadores podr ser por ejemplo habilidad para el clculo matemtico. Consiguientemente, en el test deber figurar una o varias pruebas para medir esta habilidad: hacer una suma, resolver una ecuacin, etc., pruebas que corresponden respectivamente a habilidades para el clculo aritmtico y para el clculo algebraico. Cada una de estas pruebas se llama tem y as, para un mismo indicador puede haber uno o varios tems. Si en vez de un test se trata de un simple cuestionario, los tems sern cada una de las preguntas que el sujeto habr de responder. Por dar un ejemplo cualquiera, tres de estas preguntas podrn corresponder a un indicador, o slo dos, o slo una, pero se supone que la totalidad de las preguntas (o de las pruebas si es un test) habrn de cubrir todos los indicadores que hemos seleccionado y por ende, tambin todas las dimensiones elegidas para la variable que queremos medir, pudiendo ocurrir a veces que un tem corresponda simultneamente a dos indicadores de la misma dimensin o de dimensiones diferentes. La pregunta sobre si cursa o no estudios en una universidad privada corresponde simultneamente a dos dimensiones: nivel econmico (por lo de privada) y nivel educacional (por lo de universidad). Mientras hemos diseado el test slo hemos construdo los indicadores con sus respectivos tems, pero todava no tenemos datos ya que an no lo hemos administrado a ningn sujeto. En tanto el tem es una pregunta o una prueba, debe admitir varias alternativas de respuesta o de ejecucin. En el caso ms simple de un cuestionario cerrado, el tem est de acuerdo con la actual situacin econmica? podra admitir como alternativas posibles s, no, ms o menos, y no sabe. En el caso de un test, el tem arme un rompecabezas con las siguientes piezas podra tener como posibilidades de ejecucin buena, mala y regular. Una vez construdo el test y previstas las distintas posibilidades de cada tem, podemos ahora administrarlo a un sujeto determinado. Una vez que ste resopondi las preguntas o hizo las pruebas correspondientes ya estamos en posesin de los primeros datos, ya que el individuo qued ubicado en alguna de las alternativas posibles. Ejemplos de datos son Juancito contest que s a la pregunta nmero 15, o Pedrito cumpli slo regularmente la prueba del rompecabezas, o Fulanito se sac 6 en la prueba de encontrar absurdos. Supongamos, ms concretamente, que administramos nuestro test de inteligencia a una persona. Cuando sta hubo resuelto todas las pruebas o tems, procedemos ahora a evaluarla especificando para cada prueba en qu alternativa la ubicamos. Por ejemplo en la primera prueba sac 7 puntos, en la segunda 5, en la siguiente 6 y en las otras 7, 4, 5, 10, 8 y 2. A los dos das nos visita esta persona con toda su familia y, ansiosa por saber si es un genio o tan slo muy inteligente, nos pregunta por el resultado del test. Nosotros entonces le decimos que su inteligencia es 7, 5, 6, 7, 4, 5, 10, 8 y 2, o sea los distintos puntajes que obtuvo. Con esta respuesta el sujeto quedar desorientado como

22

Adn en el da de la madre, pero, y lo que es ms grave, tambin nosotros, porque nos resultar difcil apreciar rpidamente su grado de inteligencia mediante una montaa de cifras diferentes. Nos vemos entonces obligados a resumir esta informacin para hacerla ms fcilmente comprensible y para que, llegado el momento de hacer algn promedio aritmtico sobre la inteligencia de una muestra de sujetos, podamos disponer de una sola cifra para cada individuo. Es aqu donde aparece la necesidad del ndice. El ndice ser la cifra que razonablemente represente a los 20 o 30 datos obtenidos, como por ejemplo un simple promedio de los mismos. Tal ndice suele definrselo como un indicador complejo, ya que rene la informacin de todos los indicadores y sus respectivos tems.
Hay muchas formas de construr ndices. Adems del simple promedio aritmtico est tambin el promedio ponderado, donde asignamos mayor peso a ciertas pruebas a los efectos del conteo final. Otras veces extraemos previamente subndices, uno para cada dimensin, para luego resumirlos en el ndice final, tal como puede verse en el test WISC de inteligencia. La utilidad del ndice no consiste slo en resumir mucha informacin en una sola cifra,, sino muchas veces tambin compensar estadsticamente la inestabilidad de las respuestas. Dicho en castellano: factores como la falta de atencin o el desinters pueden malograr algunas respuestas del test, pero no por ello juzgaremos al sujeto falto de inteligencia: en el ndice pueden quedar compensados esos pobres resultados con otras pruebas donde se puso mayor inters y concentracin, y donde se obtuvieron resultados ptimos.

Volviendo a nuestro ejemplo, si el promedio de todas las pruebas nos dio por caso 7, ahora s el sujeto y nosotros podremos darnos una idea de su inteligencia (siempre que conozcamos la media poblacional). La ventaja de decir 7 en vez de un montn de cifras es entonces prctica, ya que tericamente ambas cosas expresan casi lo mismo: con un ndice comprendemos mejor la ubicacin del sujeto respecto de la variable inteligencia. Lo ideal es poder calificar las pruebas numricamente porque el nmero se presta mejor al clculo a los efectos de obtener ndices y, en general, al tratamiento estadstico. A veces no es posible hacer esta cuantificacin y en vez de decir 7 decimos inteligencia regular, lo cual es tambin un ndice en la medida que sintetiza o resume todos los resultados obtenidos en las pruebas. Un ejemplo tpico de ndice numrico de la variable inteligencia es la edad mental la cual, en combinacin con el indicador de la variable simple edad cronolgica nos da un ndice compuesto llamado cociente intelectual que tambin constituye un dato, aunque derivado de los datos originales que eran los puntajes de cada prueba. Como podemos apreciar, unos datos surgen a partir de otros: las respuestas a los tems nos dan datos derivados (los ndices) y luego, sacando a su vez promedios de estos ndices obtenemos nuevos datos sobre muestras y poblaciones. Un ndice por ejemplo puede ser 110, y el promedio de una muestra puede ser 115, lo que indica que el sujeto que se sac 110 est por debajo de la media de la muestra. Si en cambio la media de la poblacijn se considera como 100, entonces estar por encima del promedio poblacional. Podemos entonces ir sintetizando una definicin de dato, diciendo que es el valor que adquiere una variable en un determinado tem, en un determinado sujeto perteneciente a cierta muestra y poblacin. Los primeros datos que obtenemos entonces son los resultados de las distintas pruebas individuales del test (o las respuestas a las distintas preguntas de un cuestionario). Estos datos se resumen en un dato final para cierto sujeto, dado por el ndice (Fulano tiene un CI de 130). Podemos ir sintetizando los pasos dados hasta ahora de la siguiente manera: a) Definir tericamente la variable. b) Especificar sus dimensiones (y sub-dimensiones, si las hubiere). Es lo que se llama dar una definicin real de la variable. c) Especificar los indicadores de las dimensiones (definicin operacional). d) Seleccionar los tems para cada indicador. e) Especificar las alternativas posibles de respuesta en cada tem asignndole a cada una de ellas una cifra convencional (por ejemplo de 1 a 10). Este proceso, junto con el siguiente, podemos llamarlo seleccin de un sistema de puntuacin. f) Especificar un procedimiento para obtener un ndice. g) Obtener o recolectar los datos administrando el test (o el cuestionario) a un sujeto. h) Resumir los distintos datos en un ndice, con lo cual cada sujeto tendr su propio ndice. Estrictamente hablando, el proceso de operacionalizacin comprende todos estos pasos menos los dos ltimos, pues operacionalizar es preparar un esquema de dimensiones, indicadores e ndices para luego ser aplicado empricamente a un sujeto determinado. La historia de un test tiene tres etapas: primero lo inventamos, luego lo administramos y despus lo evaluamos. Los seies primeros pasos estn en la primera etapa, el sptimo coincide con la segunda y el ltimo forma parte de la tercera etapa. Esta compleja secuencia de pasos no se realiza o se simplifica notablemente- cuando la variable es simple por cuanto no hay que buscar ni dimensiones ni una pluralidad de indicadores. La variable edad tiene un solo indicador, que puede ser la informacin que da el documento de identidad, o tambin la simple pregunta qu edad tiene?. A nadie se le ocurrira hacerle un test con varias pruebas a una persona para medir su edad cronolgica. Lo ideal sera que todas las variables fuesen as de sencillas, pero tal cosa no ocurre. Llevados por un ataque de simplicidad, podramos construr el test ms simple de inteligencia el que, en vez de inclur varias pruebas distintas constara de una sola pregunta: Es usted inteligente? (lo cual mide ms la inteligencia del que lo invent que de quien lo contesta). Si el sujeto responde s entonces concluiramos que el inteligente, y si dice no conclumos que no lo es, pero lamentablemente este test, aunque puede ser confiable, no es vlido. Cabe pensar que es confiable porque un sujeto muy probablemente contestar siempre la misma respuesta al hacrcele varias veces la misma pregunta, pero no es vlido porque no est midiendo inteligencia sino por ejemplo autoestima, necesidad de agradar, o, si es un test laboral, grado de inters por obtener un empleo. Confiabilidad y validez son requisitos bsicos de un test, y sobre ellos volveremos ms adelante.

23

Por lo dems, este hipottico test de inteligencia tampoco resulta cuantitativamente preciso, pues la simple respuesta s o no no nos informa sobre cunto ms inteligente es el sujeto con respecto a otro que contest lo mismo o con respecto a un promedio estadstico. A travs del siguiente esquema resumimos la notable diferencia que hay entre la operacionalizacin de una variable simple, como peso, y de una variable compleja, como clase social. VARIABLE Dimensiones Indicadores PESO Registro balanza CLASE SOCIAL Nivel econmico Nivel educacional Ingreso Es o no Tiene Nivel Es o no autodidacta mensual dueo vehculo alcanzado

Una vez que conocemos el ndice de un determinado individuo, damos ahora el siguiente paso que es la categorizacin de ese dato, y que viene a continuacin del paso h) anterior. No debemos confundir la categorizacin de la variable con la categorizacin del dato. Categorizar la variable fue lo que hicimos al principio de todo cuando establecimos sus categoras o valores como posibilidades de variacin. Por ejemplo para la inteligencia pueden establecerse cuatro categoras (menos de 90, 91 a 110, 111 a 130, y 131 o ms). Conocidas las categoras de la variable, podemos ahora categorizar el dato obtenido, que no es otra cosa que ubicar a ste en alguna de las categoras establecidas. Como Fulano obtuvo 130, lo ubicaremos en el casillero 111 a 130, y lo mismo haremos con el resto de los sujetos de la muestra. d) Organizacin de los datos Una vez recolectados los datos, ahora deberemos cumplir las tres ltimas etapas: la organizacin, el anlisis y la interpretacin de los mismos. Supongamos que la muestra de la que venamos hablando en el prrafo anterior est conformada por 85 personas. Lo que ahora necesitamos hacer es empezar a resumir toda esta informacin de forma tal que en vez de tener 85 tests tomados sobre nuestro escritorio tengamos solamente una hoja donde volcamos todos los datos obtenidos, colocando una marca en cada categora, como vemos en la siguiente matriz de datos: Categora de CI 80 85 90 95 100 105 110 115 120 125 130 135 140 145 150 155 Cantidad de individuos

As por ejemplo, la matriz me informa que dentro de la muestra encontramos tres personas que obtuvieron un puntaje de 115, y as sucesivamente. As como al principio habamos resumido todos los resultados de cada prueba o sujeto en un ndice, ahora estamos resumiendo todos los ndices en una matriz de datos, y nuestro siguiente paso ser a su vez sintetizar los datos de la matriz en una tabla o cuadro, proceso llamado tabulacin. Lo que una tabla muestra son esencialmente frecuencias, o sea, cantidad de sujetos por cada categora o valor. La tabla siguiente condensa la informacin de la matriz de datos precedente, y en dicha tabla la cifra 25 es una frecuencia, o sea una indicacin que en la muestra hay 25 sujetos que tienen 90 o menos de cociente intelectual. No debe pensarse, por ejemplo, que 25 significa cociente intelectual. Esta tabla nos revela tambin que la frecuencia total o sumatoria de frecuencias es 85, y ha de coincidir siempre con la cantidad de sujetos investigados, es decir, con lo que habitualmente se llama tamao de la muestra. CI menos de 90 91-110 111-130 ms de 131 Total f (frecuencia) 25 20 18 22 85

24

La informacin que nos suministra esta tabla podemos tambin representarla de otras maneras, de acuerdo a qu nos interesa ms saber. El siguiente esquema nos revela que podemos representar los datos como frecuencias acumuladas (fac), como frecuencias porcentuales (f%), o como frecuencias acumuladas porcentuales (fac%): CI f fac f% fac% menos de 90 25 25 29% 29% 91-110 20 45 24% 53% 111-130 18 63 21% 74% ms de 131 22 85 26% 100% Total 85 --100% --En la segunda columna fuimos acumulando (sumando) las frecuencias anteriores, y as la frecuencia 63 corresponde matemticamente a la suma de las anteriores frecuencias (25+20+18). Pero el nmero 63, como toda frecuencia, adems de tener un significado matemtico tiene tambin un significado emprico, importante a la hora de tener que analizar la tabla. Empricamente, el nmero 63 me dice que hay 63 sujetos que tienen 130 o menos de CI. Por otro lado observemos que si los clculos estn bien hechos, la ltima frecuencia acumulada deber coincidir con el tamao de la muestra (85). Para obtener frecuencias porcentuales (f%) consideramos primeramente el total de casos (85) como si fuera el 100%. A partir de aqu y por un simple algoritmo de regla de tres simple, obtenemos por porcentajes parciales: Si 85 ------------------------------ 100% 25 x 100 25 --------------------------------- x = ------------ = 29,41% = 29% 85 Luego, si as lo deseamos, podemos obtener las frecuencias porcentuales acumuladas siguiendo el mismo criterio que aplicamos al obtener las frecuencias acumuladas. Todas estas nuevas cifras tienen tambin su significado emprico. Por ejemplo la cifra 24% significa que un 24% de la muestra tiene CI entre 91 y 110, y la cifra 74% que ese porcentaje de la muestra tiene un CI por debajo de 131. Las tablas hasta aqu presentadas, como podemos darnos cuenta, resumen la informacin con respecto a una sola variable (inteligencia). Dijimos sin embargo que lo que realmente suele interesar al investigador no es la variable aislada sino su vnculo con otras variables, por lo que nuestro inters recaer ahora sobre tablas que puedan relacionar variables entre s. Podemos, entonces, discriminar tres tipos de tablas: a) b) c) Univariadas o de simple entrada (informan sobre una sola variable). Bivariadas o de doble entrada (relacionan dos variables). Multivariadas o de mltiple entrada (relacionan tres o ms variables).

A estas ltimas nos referiremos en un prximo captulo. Mientras tanto, nos centraremos en la situacin ms habitual representada por la tabla o cuadro bivariado, donde una de las variables ser la independiente y la otra la dependiente. Comparemos una tabla univariada con otra bivariada: CI f -90 140 90-110 160 +110 150 Total 450 Tabla univariada Alta 30 55 80 165 Media Baja 40 70 55 50 50 20 145 140 Tabla bivariada Total 140 160 150 450

-90 90-110 +110 Total

La primera describe la situacin de una sola variable, e informa que por ejemplo hay 140 sujetos con CI inferior a 90, o que el total de la muestra era de 450 individuos. El cuadro bivariado suministra ms informacin pues entrecruza dos variables (inteligencia y clase social). En suma, los elementos bsicos de una tabla bivariada son los siguientes: a) Las dos variables a relacionar. b) Ttulo, que en este caso puede ser Inteligencia segn clase social en adolescentes de la Ciudad de Buenos Aires, ao 1980. Como se ve, estn aqu especificadas las coordenadas espacio-temporales (dnde y cundo) pero tambin se especifica cul es la variable independiente y la dependiente (la expresin segn nos lo sugiere). c) Las categoras (o valores) de ambas variables. Por ejemplo de clase social hemos consignado alta, media y baja. Un cuadro muestra siempre categoras, pudiendo o no mostrar tambin dimensiones. d) Las frecuencias, de las que diremos dos palabras. Hay varios tipos de frecuencias. Por ejemplo la cifra 30, que significa que hay 30 sujetos de clase alta con CI inferior a 90; o la cifra 145, indicadora que hay 145 adolescentes de clase media; o la cifra 450, que indica el nmero total de casos de la muestra. Estos tres ejemplos corresponden, respectivamente, a las llamadas frecuencias condicionales, marginales y totales. La frecuencia condicional corresponde al entrecruzamiento de dos

25

categoras distintas, y la frecuencia marginal slo a una. As, 20 es frecuencia condicional y 150 frecuencia marginal. Podemos ver tambin que las frecuencias marginales resultan de la suma de las frecuencias condicionales correspondientes, y pueden ser horizontales (como 140, resultado de sumar 30, 40 y 70) o verticales (como 145, que resulta de sumar 40, 55 y 50). La suma de las frecuencias marginales horizontales debe ser igual a la suma de las frecuencias marginales verticales, y esa cifra debe equivaler a la frecuencia total (tamao de la muestra). Un cuadro bivariado puede tambin inclur la misma informacin pero bajo la forma de frecuencias acumuladas (horizontales o verticales), frecuencias porcentuales (horizontales o verticales) y frecuencias porcentuales acumuladas (tambin horizontales o verticales). El esquema siguiente ejemplifica estas alternativas: Alta 30 55 80 165 Alta 30 85 165 Alta 18% 33% 49% 100% Alta 18% 51% 100% Media 40 55 50 145 Media 40 95 145 Media 28% 38% 34% 100% Media 28% 66% 100% Baja 70 50 20 140 Baja 70 120 140 Baja 50% 36% 14% 100% Baja 50% 86% 100% Total 140 160 150 450 Total 140 300 450 Total Total -

EJEMPLOS DE FRECUENCIAS

-90 90110 +110 Total Total Total 100% 100% 100% Total -

1. Frecuencias absolutas

-90 90110 +110 Total

Alta 30 55 80 165 Alta 21% 34% 53% Alta 21% 34% 53% -

Media 70 110 130 310 Media 29% 34% 33% Media 50% 68% 86% -

Baja 140 160 150 450 Baja 50% 32% 14% Baja 100% 100% 100% -

-90 90110 +110 Total

2. Frecuencias acumuladas horizontales

3. Frecuencias acumuladas verticales

-90 90110 +110 Total

-90 90110 +110 Total

4. Frecuencias porcentuales horizontales

5. Frecuencias porcentuales verticales

-90 90110 +110 Total

-90 90110 +110 Total

6. Frecuencias porcentuales acumuladas horizontales

7. Frecuencias porcentuales acumuladas verticales

Como podemos ver, la misma informacin del cuadro original 1 puede expresarse, segn nuestras necesidades, de seis maneras diferentes. Veamos algunos ejemplos de cmo han de leerse las distintas posibilidades: a) La cifra 110 del cuadro 2 indica que hay 110 individuos de clase media con 110 o menos de CI. En cambio la cifra 95 del cuadro 3 indica que hay 95 sujetos con CI entre 90 y 110 y que adems pertenecen a las clases media y alta. En el primer caso la acumulacin se hizo horizontalmente y en el segundo verticalmente. b) La cifra 53% del cuadro 4 indica que sobre el total de sujetos con CI superior a 110, el 53% son de clase alta. En cambio la cifra 49% del cuadro 5 indica que sobre el total de sujetos de clase alta, un 49% posee un CI superior a 110. Tambin en ambas tablas los porcentajes se calcularon hirozontal y verticalmente, en forma respectiva. Una importante utilidad que tienen los porcentajes es que permiten igualar las frecuencia con respecto a una base comn (el 100%): Edad 30 aos 40 aos 50 aos Total Primaria 12 18 30 60 Secundaria 142 18 160 Total 154 36 30 220 Edad 30 aos 40 aos 50 aos Total Primaria 20% 30% 50% 100% Secundaria 89% 11% 100% Total -

Tabla I Frecuencias absolutas

Tabla II Frecuencias porcentuales

En la Tabla I encontramos dos frecuencias absolutas iguales (18 y 18), pero ellas no tienen el mismo significado estadstico, pues un 18 se tom sobre un total de 60 personas (escolaridad primaria) y el otro sobre un total de 160 (escolaridad secundaria). Si igualamos 60 y 160 en una base comn (100%) como en la Tabla II, vemos que en realidad uno de los 18 representa el 30% del total y el otro tan slo el 11% del otro total. Esto nos permite evaluar a simple vista qu proporcin de sujetos de 40 aos hay en cada nivel de escolaridad: si bien la cantidad absoluta de sujetos es la misma (18), hay mayor proporcin de sujetos primarios que secundarios.

26

c) La cifra 50% del cuadro 6 indica que el 50% de los sujetos con CI inferior a 90 pertenecen a las clases alta y media. La cifra 28% en cambio, en el cuadro 7, expresa que el 28% de los sujetos de clase media tiene CI inferior a 90. Las acumulaciones de los porcentajes se realizaron en forma horizontal y vertical, respectivamente. Obsrvese que la informacin del cuadro 6 no es la misma que la del cuadro 7, pero es igualmente verdadera. La eleccin de una u otra informacin depender de qu informacin nos interese ms o, incluso, hay quienes utilizan esta posibilidad de elegir con el propsito de convencer o persuadir. Por ejemplo, si quiero persuadir a alguien que el cigarrillo es pernicioso para la salud, preferir decirle que el 90% de los cncer de pulmn son ocasionados por el cigarrillo a decirle que slo el 10% de los fumadores mueren de cncer de pulmn, siendo que ambas afirmaciones son igualmente verdaderas. Sin embargo, la tabulacin no es la nica forma de resumir y organizar la informacin. Existen tambin otros dos recursos estadsticos, que son la graficacin y las medidas estadsticas descriptivas (tanto de posicin como de dispersin). Ambas modalidades se construyen habitualmente sobre la base de una tabla de distribucin de frecuencias como las ya vistas. A travs del ejemplo siguiente veremos cmo la informacin que contiene una tabla puede tambin presentarse bajo la forma de grficos o medidas estadsticas: Tabla Edad 17 18 19 20 Total Grfico f 70 110 140 160 480

f 160 150 140 130 120 110 100 090 080 070 17 18 19 20 Edad

Medidas estadsticas _ X = 18,8 aos (Media aritmtica) = 0,9 aos (Desvo Standard) _ X = 18,8 0,9 En estos ejemplos se tom una muestra de 480 jvenes que cursaban primer ao de la universidad, y por algn motivo al investigador le interes tener informacin sobre sus edades. La tabla nos muestra que 70 de ellos tienen 17 aos, 110 tienen 18 aos, etc. El grfico nos da la misma informacin, con la diferencia que es ms fcil visualizarla de un golpe de vista, especialmente para quien no est habituado a la estadstica: la forma ascendente de la curva ya nos dice que hay ms jvenes de mayor edad o, si se quiere, a edades ms altas corresponden mayores frecuencias. Este tipo de grfico se llama polgono de frecuencias, pero hay otras modalidades de grficos. Las medidas estadsticas, por su parte, permiten condensar todas las cifras de la tabla en dos, que tpicamente suelen ser la media aritmtica y el desvo standard. Esta simplificacin hace que una parte de la informacin se pierda, pues las medidas obtenidas no me dicen por caso cuntos jvenes de 19 aos hay. Esta desventaja (si as puede llamrsela, pues hay informacin que no tiene mayor utilidad) queda ampliamente compensada con el hecho de que conociendo las medidas estadsticas, entre otras cosas puedo efectuar anlisis de correlacin y regresin (ver ms adelante) y pruebas de significacin, es decir, seguir adelante con la investigacin estadstica y consiguientemente con la investigacin en general. En el ejemplo considerado, la media aritmtica me dice simplemente que 18,8 aos es el promedio de edades de alumnos de primer ao de la universidad. Respecto del desvo standard, habamos ya sealado que se trata

27

de un promedio de las distancias o desvos de todos los valores respecto de la media (18,8 aos) e indica entonces cun lejos o cerca de ella estn todos los sujetos. La cifra 0,9 obtenida es muy pequea en comparacin con la media 18,8 aos, lo que significa que las edades de los alumnos no son muy dispares entre s, o sea, sus edades no difieren demasiado. La media artimtica y el desvo standard son medidas estadsticas utilizables cuando las variables son cuantitativas. Existen otras medidas, como el modo o la mediana, que sirven especialmente para variables cualitativas. Por ejemplo, el modo es la categora que ms se repite, mientras que la mediana es la categora ubicada en el centro de la serie de las categoras obtenidas, ordenadas en forma creciente o decreciente. e) Anlisis e interpretacin de los datos Obtener tablas, grficos o medidas estadsticas como las indicadas no son ms que pasos preparatorios para llegar a la operacin central de la investigacin descriptiva: el anlisis de los datos.

Los datos pueden analizarse tanto a partir de una tabla, como de un grfico o de las medidas estadsticas, pero aqu daremos una idea del modo de hacerlo segn una tabla. Desde este punto de vista, el anlisis de los datos es el momento donde debemos hacer hablar a la tabla para saber qu nuevo tipo de informacin nos dar. Esta nueva informacin consiste principalmente en determinar si las variables estn o no correlacionadas, qu tipo de correlacin muestran (positiva o negativa), y hasta qu punto mantienen una correlacin. Para los dos primeros puntos suele bastar con un simple examen visual del cuadro, y ms concretamente de las frecuencias condicionales. Siguiendo con un ejemplo anterior donde relacionbamos inteligencia con clase social, las cifras de la tabla nos estn diciendo que comparativamente existen muchas personas de clase baja con CI bajo (70 personas) y muchas de clase alta con CI alto (80 personas). Decir que 70 y 80 son frecuencias comparativamente altas significa que lo son en comparacin con las otras frecuencias condicionales (y no por ejemplo en comparacin con la frecuencia total, en cuyo caso apareceran como frecuencias bajas). El cuadro tambin nos est diciendo que hay pocas personas de clase baja con CI alto (hay 30), y pocas personas de clase alta con CI bajo (hay 20), donde 20 y 30 son frecuencias tambin comparativamente bajas. Todos estos exmenes nos estn revelando a simple vista que existe una alta correlacin entre ambas variables, pues vemos que a mayor nivel social le corresponde mayor inteligencia, y a menor nivel, menor inteligencia. El cuadro siguiente representara un ejemplo completamente opuesto, donde no hay ningn tipo de correlacin: Alta 50 50 50 150 Media 50 50 50 150 Baja 50 50 50 150 Total 150 150 150 450

Desde el punto de vista de la evolucin de los datos en la investigacin, el anlisis de los datos es la etapa posterior a la organizacin de datos, pero la etapa previa a la interpretacin de los mismos. En sta ltima la informacin ya analizada es integrada en un contexto ms amplio: con otras teoras, con otras investigaciones, etc Por ejemplo interpretar puede significar explicar la correlacin constatada en el paso del anlisis a la luz de una teora. Una alta correlacin entre inteligencia y clase social ser interpretada de manera muy distinta por una teora ambientalista y por una innatista: la primera insistir en que la inteligencia en clases altas obedece a que los nios estn mas estimulados (hacen ms viajes, tienen ms juguetes, etc), mientras que la segunda plantear la existencia de mejores genes en las personas de clase alta. Las cuatro etapas en el procesamiento de los datos (recoleccin, organizacin, anlisis e interpretacin), y que en mayor o menor medida aparecen en investigaciones exploratorias, descriptivas y explicativas, se encuentran explicadas ms en detalle en (11).

-90 90-110 +110 Total

Una vez que nos hemos asegurado que no hay correlacin constatable, abandonamos este ltimo cuadro y continuamos la investigacin examinando nuevas relaciones entre ms variables hasta encontrar correlaciones. Si no las encontramos no podremos seguir avanzando hacia la etapa de la investigacin explicativa. Todo el proceso de la investigacin decriptiva apunta a un propsito fundamental: buscar alguna correlacin entre las variables relevantes (con o sin hiptesis previas que orienten nuestra seleccin de variables a correlacionar). Sin embargo, este anlisis de correlacin tampoco es un fin en s msmo, sino slo un medio para continuar nuestra investigacin por alguno de dos caminos alternativos: el anlisis de regresin o la inferencia de relaciones causales. a) Una vez que hemos constatado mediante un anlisis de correlacin el grado de asociacin existente entre dos variables, podremos ahora hacer un anlisis de regresin, o sea, podremos predecir, dado un nuevo valor de la variable, qu valor de la otra variable le corresponder. Por ejemplo: si los datos ya conocidos me revelan que a mayor edad la memoria disminuye (anlisis de correlacin), puedo entonces predecir que un nuevo sujeto al que no conoca y que es muy anciano, tendr mala memoria (anlisis de regresin). Este tipo de anlisis sirve entonces para, conociendo una variable, predecir el comportamiento de la otra. b) Una vez que hemos establecido que entre dos variables hay una correlacin significativa, podemos ahora decidirnos a sospechar que entre ellas hay algo ms que un simple correlacin: una relacin de causa-efecto. En otras palabras, pasamos de una hiptesis por correlacin a una hiptesis causal. Por ejemplo, la alta correlacin observada entre clase social e inteligencia nos sugiere la idea de que la clase social determina o causa el nivel de inteligencia de los sujetos. Pero cuidado: la correlacin no prueba ni garantiza por s sola que haya una relacin causal, y slo nos permite sospecharla. Si bien el anlisis de correlacin presupone bastante conocimiento anterior (que ya haba comenzado a incorporarse en la investigacin exploratoria), no prueba necesariamente la idea de que una

28

variable es la causa y otra el efecto. Probar esta hiptesis causal ser la gran tarea de la investigacin explicativa, cuestin que examinaremos en un prximo captulo. Establezcamos, finalmente, una relacin entre el anlisis de regresin y la inferencia de relaciones causales. Emprender la tarea de sospechar y luego probar un vnculo causal no es, dijimos, el nico camino posible aunque s el deseable segn y conforme la clsica idea de ciencia como conocimiento por las causas. Pero si ampliamos esta idea de ciencia como posibilidad de predecir, se torna posible hacer un anlisis de regresin sin presuponer que haya ningn vnculo causal. Aunque las predicciones simplemente regresivas no son tan firmes como las derivadas de un vnculo causal efectivamente probado, muchos las prefieren por su sencillez y practicidad y porque tienen una concepcin instrumentalista de la ciencia segn la cual las teoras cientficas no explican sino que sirven para predecir. De lo dicho no debe inferirse que no podamos hacer predicciones en base a explicaciones causales: de hecho, el anlisis de regresin puede tambin hacerse sobre la base de una conexin causal efectivamente verificada, en cuyo caso la prediccin ser ms confiable. Antes de pasar a la investigacin explicativa, haremos una somera referencia al problema de la medicin, fundamental en la actividad cientfica, no sin antes ir resumiendo los pasos de la investigacin descriptiva: a) b) c) d) e) f) g) h) Formulacin de una hiptesis. Cuando no tenemos una hiptesis previa describimos una muestra empezando desde el el paso siguiente. Identificacin de las constantes y variables en juego. Categorizacin de las variables. Operacionalizacin de las variables. Obtencin de los datos hasta obtener ndices. Categorizacin de los datos obtenidos. Construccin de una matriz de datos. Organizacin de los datos en tablas, grficos o medidas estadsticas. Anlisis de los datos. Si se constata que hay correlacin emprendemos directamente un anlisis de regresin, o bien dejamos planteada nuestra sospecha en la existencia de una conexin causal. Como dijo alguien, investigar es ver lo que todos ven y pensar lo que nadie piensa.

29

5. EL PAPEL DE LA MEDICION
Pablo Cazau a) Medicin Por ms simple que sea la investigacin o por ms primitiva que la medicin sea, no es posible investigar sin hacer mediciones. En sentido amplio, la medicin es un procedimiento por el cual asignamos una determinada categora o valor a una variable, y para un determinado sujeto, muestra o poblacin. Cuando a Juancito (sujeto) le asignamos el valor 1,70 metros para la variable estatura, hemos hecho una medicin. Tambin hacemos una medicin cuando a Pedrito le asignamos la categora soltero para la variable estado civil, lo cual muestra que estamos tomando la idea de medicin en sentido amplio, ya que no slo abarca mediciones cuantitativas (1,70 metros) sino tambin cualitativas (soltero). Esta ampliacin del concepto se hace especialmente importante en las ciencias sociales porque en este mbito se manejan mayor cantidad de variables cualitativas que en ciencias como la fsica o la qumica, donde prevalecen las variables cuantitativas y de donde hemos sacado la creencia de que slo se puede medir con reglas, balanzas y decibelmetros.
Toda medicin debe inclur una especificacin de tiempo y lugar donde la medicin tuvo efecto. Por ejemplo, en tal fecha y lugar, en Pedrito la variable estado civil asume el valor soltero.

Las mediciones individuales recaen sobre sujetos, mientras que las mediciones estadsticas recaen sobre muestras o poblaciones. As por ejemplo decimos que medimos una muestra A cuando le asignamos la media artimtica 120 respecto de la variable inteligencia. Obviamente, las medidas estadsticas se derivan de las individuales pues no se puede obtener un promedio si desconocemos los valores individuales de los sujetos de la muestra. Para llevar a cabo una medicin, necesitamos obligatoriamente tres cosas: a) un instrumento de medicin, b) un sistema de medicin (o escala), ya que hay diferentes grados de precisin en la medicin, y c) un procedimiento para hacer la medicin. b) Instrumentos de medicin Un instrumento de medida es un artificio usado para medir. Una balanza es un instrumento para medir peso, un test mide personalidad, inteligencia, aptitud vocacional, etc., un cuestionario mide conocimientos, etc., pero sea cual fuere el instrumento utilizado, para que sea eficaz debe reunir dos requisitos: confiabilidad y validez. Si la misma balanza hoy me informa que peso 70 kg, maana 80 kg y pasado 63 kg, es un instrumento poco confiable. Un test puede tambin ser poco confiable si, respecto del mismo sujeto, arroja resultados dispares en diferentes momentos de administracin. Confiabilidad significa, entonces, estabilidad o constancia de los resultados.
Esta constancia no es nunca perfecta. El hecho de que puedan existir ligeras variciones debidas al azar no compromete la confiabilidad del instrumento de medida, siempre que esas variaciones sean poco significativas. Tambin debemos tener en cuenta los cambios propios del sujeto cuya propiedad medimos. Si el sujeto aumenta de peso o mejora su rendimiento intelectual por un efecto madurativo habr una variabilidad en los resultados, lo cual no implica necesariamente que el instrumento no sea confiable. En la confiabilidad, como aqu la entendemos, la constancia o la variabilidad en los resultados depende de la labilidad del instrumento mismo, no del sujeto. Por ejemplo si el instrumento tiene una consigna de aplicacin ambigua, podr ser aplicado de manera distinta antes y despus, y los resultados podrn ser diferentes.

Un test o cualquier otro instrumento puede ser confiable pero no vlido: es vlido cuando mide lo que efectivamente pretende medir, lo cual puede parecer una perogrullada pero que no es tal si nos damos cuenta de los casos de instrumentos que queran medir una propiedad y medan otra. Si con un determinado test pretendemos medir memoria pero slo medimos ansiedad, no es vlido. La validez de un test puede establecerse prospectivamente: nos percatamos que un test de aptitud para la ingeniera es vlido cuando, andando el tiempo, constatamos que quienes obtuvieron altos puntajes hoy son buenos ingenieros, y quienes sacaron bajos puntajes no lo son. c) Escalas de medicin Examinemos ahora las escalas de medicin, o sea, los diferentes procedimientos que podemos usar para medir segn se trate de variables cualitativas o cuantitativas. Stevens distingue cuatro escalas o niveles de medicin: Para variables cualitativas Para variables cuantitativas 1. 2. 3. 4. Escala Escala Escala Escala nominal ordinal de intervalos iguales de cocientes o razones

El orden en que estn expuestas las escalas es importante. Estos cuatro niveles son cada vez ms precisos y exactos, con lo cual aumenta la informacin que recibimos al hacer la medicin. Somos ms precisos y decimos ms si afirmamos que Juan tiene 52 aos (escalas cuantitativas) que si decimos solamente que es adulto (escalas cualitativas). De idntica forma, la medicin es ms precisa si decimos que un objeto cae a 9,8 m/sg2

30

(escala de cocientes o razones), que si solamente decimos que ese objeto cae ms velozmente que otro (escala ordinal).
Cierto da un emperador, que deba invadir una fortaleza, reunin a cuatro de sus espas para que ingresaran en ella y obtuviesen informacin. Luego de varios das se presentan los cuatro espas con sus respectivos informes. El espa nmero 1 informa que adentro de la fortaleza hay un jefe. El espa nmero 2 informa que adentro de la fortaleza hay un jefe que es ms alto que el hijo. El espa nmero 3 informa que adentro de la fortaleza hay un jefe que es dos veces ms alto que el hijo. El espa nmero 4 informa que adentro de la fortaleza hay un jefe que mide 1,90 metros. Los cuatro espas utilizaron respectivamente los cuatro niveles de medicin: el primero inform realmente muy poco, en comparacin con el ltimo, que proporcion la informacin ms precisa. De idntica manera, no es lo mismo decir que es de noche, es una hora avanzada de la noche y son las once de la noche, siendo sta ltima informacin ms precisa que la primera.

Esta precisin creciente es debida a que las propiedades de cada nivel son acumulativas: el nivel 4 tiene las caractersticas de los tres anteriores, ms alguna nueva. El nivel 3 tiene las caractersticas de los dos anteriores, ms otras nuevas que harn que ese nivel sea ms exacto y por tanto, ms informativo acerca de la propiedad o variable a medir. En un sentido genrico, una escala es el conjunto de categoras (o valores) de una variable, conjunto que, como qued dicho, debe ser exhaustivo y mutuamente excluyente. Estas categoras o valores podemos representarlas grficamente mediante los puntos de una lnea recta para una mejor visualizacin. Ejemplos: FIGURA 1

Escala nominal

Judo

Catl

Budi

Prot

Otro

Ejemplo: religin

Escala ordinal

Diam

Hierr o

Cuer

Cartn

Papel

Ejemplo: dureza

Escala de intervalos

-2

-1

+1

+2

+3

Ejemplo: temperatura

Escala de cocientes

0m

1m

2m

3m

Ejemplo: altura

Una escala nominal es simplemente un conjunto de dos o ms categoras de una variable, sin que interese el orden o la jerarqua entre ellas. La escala nominal de la variable religin son sus distintas categoras: judo, catlico, etc. El requisito fundamental que deben reunir es que sean distintas entre si de manera que no puede haber dos categoras con el mismo nombre, ni dos categoras que se superpongan (como cristianos y catlicos). Obviamente, adems las categoras deben ser homogneas: todas deben referirse a religiones y no a partidos polticos, oficios o lugares de nacimiento. Una escala nominal para la variable profesin puede representarse de cualquiera de las siguientes maneras, entre otras: FIGURA 2

Mdico

Dentista

Psiclogo

Veterin

Ingeniero

Arquitecto

Dentista

Veterin

Psiclogo

Mdico

Arquitecto

Ingeniero

Este ejemplo muestra que en una escala nominal no interesa ni el orden en que colocamos las categoras, ni la distancia que hay entre ellas. Si la variable hubiese sido prestigio de una profesin aqu s hubiera importado el orden, pues hay profesiones ms prestigiosas y menos prestigiosas. Tampoco la escala nominal informa sobre las distancias entre las categoras: subjetivamente podemos pensar que la distancia entre un mdico y un

31

dentista no es la misma que hay entre un ingeniero y un arquitecto, pero esta informacin no nos es suministrada por la escala nominal. Otro ejemplo de variable medible nominalmente es la numeracin del 1 al 11 de los jugadores de un equipo de ftbol. Aqu, puesto que las categoras son numricas podramos pensar que estamos ante una variable cuantitativa y por tanto medible en los niveles 3 o 4, pero si pensamos as estaremos equivocados. Aqu los nmeros no funcionan como tales en el sentido que no podemos manipularlos aritmticamente sumndolos, restndolos, etc., sino slo como simples etiquetas: el 1 representa simplemente la palabra arquero, el 10 delantero, etc. Nadie afirmara que el jugador con el nmero 6 es dos veces ms capaz que el jugador nmero 3. Los nmeros empiezan a funcionar como indicadores de cantidad recin en las escalas cuantitativas. En la escala ordinal, adems de la homogeneidad y la diferenciabilidad entre categoras, importa el orden en que ellas se disponen. Las variables dureza de los materiales y prestigio de una profesin son ordinales, pues los materiales pueden ordenarse segn su dureza y las profesiones de acuerdo a su prestigio. Una escala ordinal para la variable prestigio ocupacional puede graficarse de cualquiera de las siguientes formas, entre otras: FIGURA 3

Basurero

Zapatero

Ejecutivo

Basurero

Zapatero

Ejecutivo

Esto nos muestra que sea cual fuere la forma de representacin, siempre ha de respetarse el orden. Este tipo de escalas tiene una ventaja sobre las nominales, pero tambin tiene una limitacin: la escala ordinal me informa si un individuo tiene mayor o menor prestigio ocupacional que otro, pero no me dice cunto en forma objetiva. Esto ltimo es importante porque subjetivamente uno podra pensar que un ejecutivo tiene tres veces ms prestigio que un zapatero, pero este criterio no sera compartido por otras personas, y una escala ha de ser la misma para todos. Otros ejemplos de variables medibles ordinalmente son el grado de mrito, el grado militar y la gradacin de tonos de colores. Segn la escala nominal, decimos que hemos hecho una medicin simplemente cuando afirmamos que Fulano es mdico, y segn la escala ordinal cuando afirmamos que Fulano tiene una ocupacin ms prestigiosa que Zutano, aunque no sepamos cunto ms prestigiosa es. Mientras una escala nominal permite hacer identificaciones, o poner nombres (de all la expresin nominal), la escala ordinal permite hacer comparaciones cualitativas. Las comparaciones cuantitativas, o sea la medicin numrica, se hace posible recin con las escalas cuantitativas. Si examinamos las escalas cualitativas (nominales y ordinales) veremos que los intervalos o distancias entre las categoras (o sea las distancias entre los puntos de la recta) son irregulares y no responden a ningn criterio objetivo, aunque s a muchos subjetivos. En la figura 3 vemos que zapatero puede estar ms cerca de basurero segn algunos, o ms cerca de ejecutivo segn otros. La escala ordinal permite comparar profesiones en cuanto a prestigio, pero no permite comparar distancias entre profesiones, o sea no es posible saber cunto mayor es la distancia de basurero a zapatero respecto de la distancia entre zapatero y ejecutivo. En este sentido, las escalas cuantitativas son an ms informativas. A los requisitos de homogeneidad, diferenciabilidad y orden se agrega uno nuevo: los intervalos deben ser regulares, y ms especficamente iguales. Las siguientes tres escalas representan todas ellas intervalos iguales, o sea que los intervalos o distancias entre los puntos estn determinados segn un cierto criterio matemtico: FIGURA 4

10

16

En la primera vemos que los intervalos son iguales, pues la distancia que hay de 1 a 2 es igual a la distancia que hay entre 2 y 3, etc., todo lo cual, dicho matemticamente, equivale a afirmar que 1-2 = 2-3, etc. Por la misma razn en la segunda escala las distancias tambin son iguales aunque hayamos tomado intervalos mayores. En la tercera ya parecera que los intervalos no son iguales pues van aumentando cada vez ms hacia la derecha, pero si consideramos que se trata de una escala logartmica (y no lineal como las dos anteriores), veremos que tambin sus intervalos son iguales segn la siguiente serie de igualdades, donde en vez de restar, dividimos:

32

1 2 4 8 ------ = ------ = ------ = ------ = etc 2 4 8 16 Esta misma serie, expresada logartmicamente, es log1-log2 = log2-log3, etc, o sea que en vez de restar nmeros como en la escala lineal restamos logaritmos, pero igualmente sigue cumplindose la condicin de igualdad de intervalos. Toda escala que tenga intervalos iguales se llama escala mtrica, y a este nivel ya s tiene sentido definir medicin ms familiarmente como la operacin por la cual comparamos una cierta cantidad con otra tomada como nidad. Por ejemplo, decimos que hemos medido el peso de Fulano cuando hemos dicho que pesa 60 kg, o sea, su peso entra 60 veces en la unidad de medida de 1 kg. Estas escalas mtricas, tpicas de los niveles cuantitativos de medicin, siguen conservando las caractersticas de diferenciabilidad (o identidad), y orden de la escala ordinal, pero se agregan otras nuevas: no slo me dice que los pesos 35 kg y 70 kg son distintos (identidad), y no slo me dice que 70 es un peso mayor que 35 (orden), sino que adems me agrega nueva informacin al decirme: (a) que 70 kg es cuantitativamente tan distinto de 35 kg como 35 kg lo es de 0 kg; y (b) que 70 kg es dos veces ms pesado que 35 kg, o sea, me informa acerca de cunto ms pesado es un objeto que otro. Las escalas de intervalos iguales slo nos pueden dar la informacin (a), mientras que la escala de cocientes o razones, adems, nos suministra la informacin (b), con lo cual esta ltima resulta ser ms precisa o con mayor contenido informativo. Establezcamos ms en detalle las diferencias entre ambas escalas cuantitativas, para lo cual comenzaremos por distinguir las escalas absolutas y las relativas. Supongamos que tomamos cinco objetos cualesquiera y medimos sus alturas, graficando del siguiente modo sus valores respectivos: FIGURA 5

A 1m

B 2m

C 3m

D 4m

E 5m

Es indudable que estas alturas son reales: el objeto A mide efectivamente dos metros, el objeto B tres metros, etc. A estas escalas cuyos nmeros representan realmente el atributo fsico las llamamos absolutas y en ellas, obviamente, la cifra 0 corresponder a la ausencia de altura. Pero supongamos ahora que queremos considerar la altura A, que es dos metros, como altura 0 en forma arbitraria. La escala anterior y la nueva quedarn entonces correlacionadas del siguiente modo: FIGURA 6

A 2m

B 3m

C 4m

D 5m

E Escala absoluta 6m Escala relativa

0m

1m

2m

3m

4m

En esta nueva escala el objeto B no tiene realmente un metro de altura: slo nos dice que B es un metro ms alto que A, es decir marca su ubicacin respecto de otro objeto. De la misma forma esta escala no dice que A no tenga altura, sino que arbitrariamente le hemos asignado el valor 0 para que sirva de punto de referencia de los dems valores: es una escala relativa o arbitraria. Obviamente, si disponemos de una escala relativa y conocemos adems la altura absoluta de uno cualquiera de los objetos, podremos calcular la altura absoluta de los dems (tambin necesitamos una regla de transformacin, pero de esto no nos ocuparemos). Tambin podramos haber asignado el valor cero no a 2 sino a la media artimtica, que en nuestro ejemplo coincide con 4 metros. La nueva escala relativa quedara entonces representada del siguiente modo: FIGURA 7

A 2m

B 3m

C 4m

D 5m

E Escala absoluta 6m Escala relativa

33

-2m

-1m

0m

1m

2m

Estrictamente hablando no tiene sentido decir que algo mide menos 2 metros (-2), pues no hay alturas negativas, pero no obstante esa cifra aparecida en la nueva escala nos est diciendo algo: que el objeto A es tan alto con respecto al objeto B como ste con respecto al C, que es la media, y el signo negativo nos indica solamente que la altura de A est por debajo de la media aritmtica. Del mismo modo la altura cero no significa aqu ausencia de altura, eror que cometi aquel tipo que, cuando le dijeron que haca cero grado de temperatura exclam alborozado: No hace ni fro ni calor!. Galeno haba sugerido como punto cero de temperatura un calor neutro que no era ni fro ni calor, pero Galeno estaba en realidad proponiendo una simple convencin. Vemos as que la escala de temperatura es un tpico ejemplo de escala relativa (con un cero arbitrario). En las escalas de intervalos iguales tenemos escalas relativas (o sea con un cero arbitrario) y en las escalas de cocientes o razones tenemos escalas absolutas (con un cero absoluto o real). El cero arbitrario no corresponde con la ausencia de la magnitud (cero grado no significa ausencia de temperatura), pero el cero absoluto es real (cero metros significa ausencia de altura). Ntese que lo que interesa es la ausencia de la variable, no del individuo. Tanto cero metros como cero cantidad de hijos significa ausencia de altura y ausencia de hijos, y no interesa que el primer valor corresponda a un individuo inexistente y el segundo a una pareja que s podra existir. Las escalas de cocientes o razones son muy difciles de encontrar en psicologa y en general en las ciencias sociales: en estas disciplinas se manejan variables que, como motivacin, inteligencia o aprendizaje, son muy difciles (o carecera de sentido) identificar su ausencia real, o sea asignarles un cero absoluto, y en general sus valores se consiguen establecer por comparacin con otros valores.
Pero, ms exactamente, porqu las variables psicolgicas suelen medirse con escalas relativas y las variables fsicas con escalas absolutas? O, si se prefiere, qu nos obliga a medir ciertas variables mediante escalas relativas, cuando en rigor sera preferible usar escalas absolutas por ser ms precisas y exactas? Esta interesante cuestin tiene su complejidad, no obstante lo cual orientaremos una respuesta en algn sentido que pueda interesarnos como investigadores en ciencias sociales. Para ello comparemos un fsico que debe medir la altura de 10.000 objetos, y un psiclogo que debe medir la inteligencia de 10.000 sujetos de la misma edad. Una vez que hicieron sus respectivas mediciones, cada uno obtiene un promedio: el promedio de alturas es 1,53 metros, y el promedio de inteligencias es 100. Acto seguido, si ahora el psiclogo encuentra una persona y, tras medir su inteligencia encuentra que tiene un valor 60, con justa razn puede decir que tiene una inteligencia inferior a lo normal; pero si el fsico encuentra un objeto que mide apenas 0,42 metros no tendr sentido que diga que su altura es inferior a lo normal o que se trata de un objeto retrasado en cuanto a altura. No es este el tipo de comparacin que le interesa hacer al fsico, pero s al psiclogo. Este ltimo desea saber si una persona est por encima o por debajo de la media de su edad. Las escalas relativas como la inteligencia toman como punto de referencia no un cero absoluto sino un promedio estadstico al cual puede asignrsele tanto el valor 0 como el valor 100 o cualquier otro, y entonces estas escalas relativas son especialmente aptas para comparar la situacin de un individuo respecto de otros y ver as si tiene ms o si tiene menos inteligencia que el resto. Ms an: si quien mide altura no es un fsico sino un mdico o un psiclogo (por tanto ya estamos midiendo personas, no objetos), empiezan a cobrar sentido las expresiones altura normal o altura anormal, por la misma razn que tiene sentido hablar de inteligencia normal o inteligencia anormal. Quienes construyeron los tests de inteligencia no empezaron eligiendo a un individuo con inteligencia nula (o sea, un cero absoluto) y a partir de all luego los dems valores (10, 20, 30, etc). Ellos comenzaron eligiendo una gran cantidad de individuos y luego obtuvieron un promedio (supuestamente el promedio de toda la poblacin humana, si acaso la muestra fuese representativa). A dicho promedio le adscribieron convencionalmente el valor 100 y as, si algn nuevo sujeto llegara a obtener cero segn esta nueva escala, no significar que no tiene inteligencia (cero absoluto), sino slo que su capacidad intelectual est muy por debajo de la media poblacional (cero relativo). Hasta aqu puede quedar justificado el uso de escalas relativas en ciencias sociales, pero, entonces, porqu ciertas magnitudes fsicas como la temperatura se miden habitualmente en escalas relativas y no absolutas, que ya dijimos seran preferibles? En el caso especial de la temperatura podemos invocar razones histricas y prcticas. Tomemos con la mano un objeto cualquiera: inferimos que tiene una cierta temperatura a juzgar por la sensacin trmica que nos produce. Supongamos ahora que el cuerpo que sostenemos se empieza a enfriar. Llegar un momento en que el fro es tan intenso que nuestros dedos se congelan y dejan de funcionar nuestros termorreceptores, o sea, no experimentamos ya ninguna sensacin y quedamos anestesiados. Significa esto que el cuerpo no puede seguir enfrindose? No. Puede seguir hacindolo aunque ya no podamos darnos cuenta por el tacto, y entonces, para averiguarlo, decidimos tomar otro punto de referencia, como por ejemplo su dureza. Podemos as saber si se sigue o no enfriando examinando si su dureza aumenta o no, pero aqu tambin la dureza puede tener un lmite, y el hecho de que el cuerpo haya alcanzado una dureza mxima y no pueda enducererse ms, ello no significa necesariamente que no pueda seguir enfrindose. De hecho, podemos seguir eligiendo ms criterios hasta el inifinito, pero la termodinmica ha venido a resolver este problema tomando como punto de referencia no la sensacin trmica ni la dureza del cuerpo, sino el movimiento de sus molculas. Y as, cuando las molculas cesan todo movimiento el cuerpo ya no podr seguir enfrindose alcanzando entonces lo que se llama su temperatura absoluta, designada convencionalmente como el cero grado en la escala Kelvin, creada a tal efecto. Esta escala es absoluta porque el cero grado corresponde realmente a la ausencia de temperatura. Podra argumentarse que esto no es as que cero grado est indicando un fro intenssimo en lugar de ausencia de temperatura pero no debemos olvidar que la termodinmica, al crear esta escala, equipar temperatura a movimiento molecular y no a sensacin trmica y entonces el cero grado, al indicar ausencia de movimiento molecular, indica tambin ausencia de temperatura. Si nuestros termorreceptores pudiesen hipotticamente percibir la sensacin trmica a cero grado Kelvin sin quedar arruinados, seguramente retiraramos violentamente la mano y nadie podra convencernos de que all no hay temperatura, pero esto es porque estamos habituados a equiparar temperatura con sensacin trmica y no con movimiento molecular. Por lo dems, se supone que el cero absoluto es inalcanzable tanto tcnicamente como en teora, porque si cesara el movimiento molecular la materia dejara de existir.

34

La idea de equiparar temperatura con movimiento molecular deriva de la teora cintica del calor del siglo pasado, y sostiene que el movimiento genera calor. Entonces, si las molculas comienzan a moverse cada vez ms rpidamente, el cuerpo empezar a aumentar su temperatura. Obviamente que esto no es ms que una teora: el da de maana puede aparecer otra que tome como referencia de temperatura no el movimiento sino otro parmetro hoy desconocido, con lo cual se construir una nueva escala con el cero ms alejado y donde el cuerpo podr seguir enfrindose an cuando haya cesado todo movimiento molecular. Esto prueba que, en el fondo, el cero absoluto es paradjicamente relativo, pues todo depender de qu significado le demos a temperatura: si sensacin trmica, dureza, movimiento molecular o un parmetro an no descubierto. Histricamente, la primera escala de temperatura que se cre no fue la escala Kelvin, ya que no exista la idea de vincular la temperatura con el movimiento molecular y construr, sobre esa base, una escala. Pero los fsicos necesitaban contar igualmente con alguna que pudiese medir esta magnitud, y fue as que se crearon varias, como la escala centgrada (Celsius), la escala Farenheit y la escala Reamur. La escala Celsius le adjudic un poco arbitrariamente el cero al punto de congelamiento del agua y el 100 a su punto de ebullicin (todo a presin atmosfrica normal), dividindose luego en 100 partes iguales la escala entre uno y otro valor. Presumiblemente la practicidad de esta escala radica en el hecho de que la mayora de los objetos que manipulamos o los ambientes donde habitamos estn entre 0 y 100 grados Celsius, utilizndose la escala Kelvin slo para objetos muy fros. Haciendo las transformaciones necesarias (0 grado Kelvin corresponden a -273 grados Celsius) podramos usar tambin la escala Kelvin pero no lo hacemos, entre otras razones, por una cuestin psicolgica o de acostumbramiento a las mismas cifras de siempre. En otros casos el desacostumbramiento puede ser menos difcil, y es cuando no hay que habituarse a nuevas cifras sino simplemente a nuevas denominaciones. Tal es el caso del pasaje de los milibares a los hectopascales (escala de presin atmosfrica): aqu no se cambi de escala sino de nombre, ya que, por ejemplo, 1008 hectopascales siguen siendo 1008 milibares.

Adems del hecho de que una tiene un cero arbitrario y la otra un cero absoluto, hay otra diferencia entre las escalas relativas y absolutas, y que de alguna forma ya empezamos a adelantar. En las escalas de intervalos iguales, que son relativas, no se puede decir que un sujeto con CI 160 tenga el doble de inteligencia que otro de 80, del mismo modo que dos grados no es el doble de temperatura que un grado en la escala Celsius. A lo sumo podemos llegar a decir que la diferencia de inteligencia que hay entre 120 y 140 es la misma que hay entre 100 y 120. En las escalas de cocientes, que son absolutas, podemos obtener en cambio ambos tipos de informacin como ocurre con las escalas de peso, sonido, longitud o densidad. Adems de la inteligencia, otras escalas de intervalos iguales son la energa y las fechas del calendario: del 2 al 4 de junio hay el mismo intervalo temporal que hay entre 4 y 6 de junio, pero carecer de sentido decir que el 4 de junio es el doble del 2 de junio. Observemos la figura 6. En la escala absoluta s tiene sentido decir que 6 metros (altura del objeto E) es el doble de 3 metros (la altura de B). O sea, se cumple la igualdad E = 2.B. Si intentamos trasladar esto mismo a la escala relativa esta igualdad no se cumple, pues 4 no es el doble de 1. Para que la expresin E = 2.B valga en la escala relativa debemos sumarle el nmero 2, que es la distancia que hay entre el cero arbitrario y el absoluto (ya que aqu la escala relativa aparece corrida dos lugares). La nueva frmula para esta escala ser E = 2.B + 2, y entonces s se cumple que 4 = 2.1 + 2. Todo esto es bastante terico, porque slo lo podemos hacer si conocemos el corrimiento de la escala relativa respecto de la absoluta, o sea, si conocemos la distancia del cero arbitrario al cero absoluto, cosa que no siempre podemos hacerlo ni tampoco necesitarlo. Desde este punto de vista, la escala absoluta pasa a ser un caso especial de la escala relativa donde la distancia entre los ceros arbitrario y absoluto es nula. Esta clasificacin en cuatro niveles ya es clsica y corresponde a Stevens, pero no han faltado otras variantes entre las que podemos mencionar la de Coombs, quien agrega dos niveles ms: a) Entre la nominal y la ordinal incluye la escala parcialmente ordenada (figura 8). Se trata en ltima instancia de una variante de la escala ordinal donde en algunas categoras, como B y C, no se conoce la relacin de mayor o menor que tienen entre s: A es mayor que B o que C, y por otro lado B o C son mayores que D, pero se desconoce si B es mayor, menor o igual a C. FIGURA 8

A > B > C > D > E

Escala ordinal

B A > C > D > E


Escala parcialmente ordenada

b) Entre la ordinal y la de intervalos iguales, Coombs agrega la escala mtrica ordenada, una variante de la escala de intervalos iguales donde en vez de ser estos iguales son distintos pero estn ordenados creciente o decrecientemente. A diferencia de la escala meramente ordinal, aqu no slo se ordenan las categoras, sino tambin los intervalos de acuerdo a su tamao. Evidentemente informa ms que la simple escala ordinal pero menos que la de intervalos iguales propiamente dicha, pues no aclara cunto mayor es un intervalo que otro. Siempre estamos haciendo mediciones. Por ejemplo, cuando decimos que tal o cual individuo es catlico (medicin nominal), o que tal sujeto tiene ms mrito que otro (medicin ordinal), o cuando decimos que tal otro sujeto tiene 30 aos (medicin intervalar). Pero la importancia de la medicin no reside simplemente en el

35

hecho de que siempre estamos haciendo mediciones, sino en que el acto de medir nos permite conocer cmo varan los fenmenos de la realidad tanto en cantidad como en calidad, lo cual a su vez es muy importante porque es gracias a que existen unas variaciones que dependen causalmente de otras, que podemos organizar nuestro conocimiento del mundo.

6. LA INVESTIGACION EXPLICATIVA
Pablo Cazau Una vez que hemos constatado una alta correlacin entre variables, y, como consecuencia de ello, pudimos arriesgar una hiptesis causal (o a la inversa), llega ahora el momento crucial donde hay que probarla. Esta verificacin es la gran tarea de la investigacin explicativa.
Cuando tal es la tarea que nos proponemos, la investigacin explicativa puede denominarse, segn Hyman, terica o experimental. Este autor parece considerar como sinnimos ambos trminos, pero a nuestro criterio cabe hacer una diferencia: en la investigacin experimental buscamos confrontar una hiptesis con la realidad, mientras que en la investigacin terica buscamos confrontar hiptesis entre s, de all que esta ltima sea una investigacin predominantemente bibliogrfica. Segn el mismo autor (12), adems del propsito terico o experimental, una investigacin explicativa puede apuntar a objetivos ms prcticos, de aqu que tambin existan, de acuerdo a denominaciones de Hyman, estudios explicativos de diagnstico, de prediccin, y de evaluacin o programticos. En este texto centraremos nuestra atencin en la tarea principal: la prueba de la hiptesis causal. En otro orden de cosas, si bien lo que caracteriza la investigacin cientfica es la identificacin de las causas de los fenmenos, en nuestras investigaciones cotidianas no cientficas- muchas veces no nos tomamos esta molestia. De hecho, podemos resolver muchos problemas sin conocer las causas que los ocasionan, como por ejemplo: a) Golpeamos duramente el telfono y anda!!!; b) Reemplazamos un electrodomstico que no anda por otro que s funciona; c) Si la PC anda mal muchos tcnicos ni se preocupan por averiguar la causa: directamente formatean el disco rgido y reinstalan todos los programas. Estas actitudes son tambin observables en los mbitos que suponemos cientficos: la esquizofrenia o la epilepsia puede curarse con un electroshock, lo que no presenta gran diferencia con arreglar un telfono golpendolo.

Dos tipos de sospechas pueden poner en marcha una investigacin explicativa, y sobre ambas alternativas organizaremos nuestra exposicin: primero, podemos sospechar que cierto o ciertos factores son la causa de un fenmeno; segundo, podemos sospechar que cierto factor NO es la causa de un fenmeno dado a pesar de las apariencias (por ejemplo, a pesar de la alta correlacin). a) Si pensamos que uno o varios factores son causa de cierto efecto, deberemos efectuar una prueba de confirmacin, realizando un experimento bivariado (si es un solo factor causal) o multivariado (si son varios). Una prueba de confirmacin no es una prueba donde se confirma una hiptesis, ya que el resultado puede confirmar o refutar la hiptesis (aceptacin o rechazo), sino una prueba diseada con la intencin de confirmar nuestra sospecha de causalidad. Si una prueba de confirmacin fuese una prueba donde se confirma una hiptesis, para qu la realizaramos si ya conocemos el resultado? Como consecuencia de haber aplicado una prueba de confirmacin tenemos, entonces, dos posibilidades: o confirmamos o rechazamos la hiptesis. En rigor, y lo demuestra la historia de la ciencia, ninguna de ambas alternativas es definitiva, pues indagaciones posteriores pueden obligar a rechazar la hiptesis confirmada o a confirmar la rechazada, lo que demuestra una vez ms que lo nico seguro del conocimiento cientfico es su carcter probable. b) Si pensamos, en cambio, que un cierto factor no es la causa de un fenmeno a pesar de la alta correlacin constatada entre ambas, entonces emprenderemos una prueba de refutacin, como por ejemplo la llamada prueba de espureidad (o prueba de falsedad, pues se busca probar que a pesar de parecer verdadera, la causa no lo es). En general, las pruebas de espureidad se realizan mediante investigaciones bivariadas. Una prueba de refutacin no es, entonces, una prueba donde se refuta una hiptesis sino slo donde se intenta refutarla, y a partir de aqu se podr o no tener xito en dicho intento. La sospecha que pone en marcha este tipo de investigacin puede surgir antes, durante o despus de una prueba de confirmacin. A veces en el curso de la investigacin y antes de poder confirmar o rechazar nuesta hiptesis, puede surgir en nosotros una fuerte sospecha de que X no es la causa de Y sino Z, o sea, una variable adicional. En este punto podremos abandonar nuestros intentos originales por confirmar y emprender una prueba de refutacin, consistente en tratar de demostrar que X no es la causa sino Z. a) El concepto de causa Antes de explicar las pruebas de confirmacin y refutacin, comencemos por aclarar qu debemos entender por causa en el contexto de una investigacin explicativa. Ya habamos indicado que ningn fenmeno, estrictamente hablando, tiene una sola causa. Si pretendemos ser un poco objetivos, debemos admitir que la realidad es compleja y aceptar que un fenmeno responde a una multiplicidad de causas que, actuando conjuntamente, producirn el fenmeno en cuestin. Pero, debido a que tampoco conocemos todas las causas que lo producen, slo podremos decir que la intervencin de las causas conocidas simplemente aumentan mucho la probabilidad de que el fenmeno ocurra. Partiremos entonces del supuesto de la policausalidad: un efecto es producido por varias causas. Las causas que determinan que aprobemos un examen son varias: haber estudiado, no estar nervioso, un profesor tolerante, etc. Esquemticamente:

Haber estudiado Tranquilidad Profesor tolerante Aprobar

36

Indudablemente que estudiar es una condicin necesaria, pero an no es suficiente para aprobar, pues puede ocurrir que los nervios nos traicionen o el profesor sea muy exigente. Otro tanto podemos decir de los otros factores: tener un profesor tolerante es condicin necesaria pero no suficiente, pues adems debemos haber estudiado y no estar nerviosos. Del mismo modo, la sola intervencin del factor tranquilidad, si bien necesario, no alcanza a ser suficiente por los mismos motivos anteriores. Nuestra primera conclusin es entonces esta: cada uno de los factores causales, considerados en forma independiente, son una condicin necesaria pero no suficiente. Sin embargo, si ahora en vez de considerarlos independientemente los consideramos conjuntamente, las cosas cambian, porque si todos esos factores se dan juntos entonces aprobamos el examen. Todos ellos juntos son entonces una condicin suficiente, lo que nos lleva a nuestra segunda conclusin: si consideramos a los factores causales conjuntamente, funcionan como condicin suficiente. De todo lo dicho se desprende que una condicin suficiente es el conjunto de todas las condiciones necesarias. En general, por causa entenderemos toda condicin necesaria y suficiente para que ocurra un fenmeno. Condicin necesaria es aquella que si no est, el efecto no se produce. Estudiar es condicin necesaria porque si no estudiamos, no aprobamos. Del mismo modo cierta capacidad mental es condicin necesaria para el aprendizaje (una piedra no puede aprender), y tambin es condicin necesaria para ser drogadicto haber tenido alguna experiencia con drogas. En cambio una condicin suficiente es aquella que si est, el fenmeno se produce. Condicin suficiente es la suma de estudiar, estar tranquilo y tener un profesor tolerante, pues si se dan estos tres factores aprobamos. Podemos decir tambin que una condicin suficiente para la ceguera es la destruccin del nervio ptico, o que un conflicto grupal es condicin suficiente para su bajo rendimiento. Selltiz (13) dice que en la prctica es, sin embargo, muy difcil encontrar condiciones necesarias y suficientes: la destruccin del nervio ptico no es la nica condicin necesaria y suficiente para la ceguera, pues sta puede existir an cuando no se haya destrudo dicho nervio, o sea, puede haber otras condiciones distintas que produzcan este efecto. Por ello el cientfico debe buscar una constelacin de otras posibles causas (adems de la necesaria y suficiente), y que suelen clasificarse como condiciones contribuyentes, contingentes y alternativas. Veamos un ejemplo, tomado del mismo autor. Es condicin necesaria y suficiente de la drogadiccin el hecho de no poder el sujeto suspender voluntariamente el consumo de drogas: si no puede suspender este consumo el sujeto es drogadicto, pero nadie que investigue sobre las causas de la drogadiccin se puede conformar con esta nica explicacin. Buscar entonces causas contribuyentes (ausencia de padre), contingentes (el habitual consumo de drogas en el barrio), y alternativas (presencia de un padre hostil). Condicin contribuyente es aquella que aumenta las probabilidades qde ocurrencia del fenmeno, pero no lo hace seguro. La ausencia de padre aumenta las probabilidades que el adolescente sea drogadicto. Sin embargo, esta condicin contribuyente podr funcionar efectivamente como causa siempre y cuando en el barrio el consumo de droga sea habitual (condicin contingente). Y as, una condicin contingente es una situacin especial en la cual la condicin contribuyente puede realmente actuar como causa. En suma: en las vecindades donde el uso de drogas est generalizado (condicin contingente), la ausencia del padre del adolescente (condicin contribuyente), contribuye o ayuda a aumentar las probabilidades de que el muchacho sea drogadicto. Decimos que aumenta su probabilidad pero no lo hace 100% seguro, porque adems el sujeto debe no poder desprenderse voluntariamente de su hbito (condicin suficiente). La condicin contribuyente (ausencia del padre) tiene una condicin alternativa (presencia de un padre que trata en forma hostil o indiferente al sujeto). En rigor esta ltima es tambin una condicin contribuyente en tanto tambin aumenta la probabilidad que el hijo sea drogadicto. Lo que interesa entonces destacar ac, segn nuestro parecer, es que si una condicin contribuyente tiene alguna condicin alternativa que es tambin capaz de producir el fenmeno, entonces aumentan an ms las probabilidades de que este ocurra pues ambas condiciones cubrieron todo o casi tod el espectro de posibilidades de la situacin del padre. b) Requisitos de causalidad Sea una prueba de confirmacin o una de refutacin, en toda investigacin explicativa lo que se hace es una prueba de causalidad, y para poder probar que ralmente la relacin X-Y es causal deben cumplirse obligatoriamente tres condiciones, que podemos llamar requisitos de causalidad. 1) Variacin concomitante (correlacin).- X e Y deben variar conjunta o concomitantemente en la forma prevista por nuestra hiptesis. Sin embargo, hemos dicho ya que una simple correlacin de este tipo no prueba necesariamente que haya una relacin causa-efecto, pues puede ocurrir que X e Y varen en el mismo sentido slo porque son ambas efectos de una causa desconocida Z (vase ms adelante Pruebas de espureidad).
Puede ocurrir que X e Y no aparezcan en un primer momento correlacionadas, pero ello no significa que no estn conectadas causalmente, ya que otras variables que no podemos controlar en ese momento pueden estar distorsionando la correlacin subyacente (como por ejemplo errores de medicin). Estas situaciones especiales no deben hacernos pensar que puede haber causalidad sin correlacin: all donde hay causalidad siempre ha de haber correlacin, aunque sta pueda aparecer encubierta.

37

La existencia de una correlacin (encubierta o no) es condicin necesaria para que hay un vnculo causal, pero an no suficiente, porque adems deben cumplirse los restantes dos requisitos. 2) Ordenamiento temporal.- Para que X sea causa de Y es preciso que la causa X ocurra cronolgicamente antes que el efecto Y, o por lo menos simultneamente con l. No se rompe primero el vidrio y despus tiramos la piedra. Robert Koch, bacterilogo alemn, bromeaba con que haba un solo caso donde la causa sigue al efecto, y es cuando el mdico va detrs del fretro de su paciente. 3) Eliminacin de otros posibles factores causales .- Si la tarea de establecer la correlacin era propia de una investigacin descriptiva, el trabajo de eliminar la influencia de otros posibles factores causales es ya lo ms caracterstico de una investigacin explicativa. De aqu en ms, entonces, nos ocuparemos de este problema. Cuando intentamos averiguar si X es la causa de Y casi siempre existe la sospecha de que hay otras variables adicionales o ajenas al experimento en s que pueden estar ejerciendo tambin influencia sobre Y, y entonces podr ocurrir que Y vara por influencia de esas otras variables ajenas y no por X. Por lo tanto, debemos anular al mximo estas influencias externas para saber si realmente la variacin de Y se debe o no a X. Si nuestro inters est en averiguar la influencia causal de la educacin (X) sobre la inteligencia (Y), procuraremos anular la influencia de variables extraas como por ejemplo la alimentacin, pues tenemos la sospecha que la inteligencia tambin depende de ella. Notemos que se trata de una simple anulacin metodolgica pues no estamos anulando la condicin causal de la alimentacin como tal, sino slo su influencia (de hecho, el nio con el que experimentamos contina alimentndose). Hay muchas variables adicionales que pueden estar ejerciendo influencia sobre la variable dependiente Y, adems de X, pero podemos agruparlas en dos categoras. a) Variables organsmicas: o factores que dependen del sujeto mismo, tales como sus experiencias pasadas y los cambios debidos a la maduracin o al desarrollo. Si queremos indagar la influencia de los premios o castigos (X) sobre el aprendizaje (Y), puede ocurrir que el sujeto aprenda mejor debido a sus cambios madurativos (variable adicional) y no a los refuerzos, sobre todo si el experimento implica un seguimiento de nios muy pequeos a lo largo de varios meses. Del mismo modo, si queremos conocer la influencia del ruido (X) sobre el estrs (Y), puede ocurrir que ciertos sujetos sean hipersensibles a los ruidos por alguna experiencia traumtica o simplemente por factores constitucionales, y entonces revelen mayor nivel de estrs debido a su hipersensibilidad (variable adicional). b) Variables situacionales: o factores que dependen del ambiente. Al investigar cmo influye el ruido sobre el estrs, puede ocurrir que los sujetos elegidos para el experimento habiten en un pas econmicamente inestable, con lo cual el estrs se ver influenciado tambin por esta condicin (variable adicional), con lo que correremos el riesgo de no saber si el estrs se debe al ruido o a la inestabilidad econmica. Un caso muy especial de variable situacional son las variables derivadas del experimento, ya que muchas veces ocurre que es el mismo experimento quien influye sobre Y. Al investigar el vnculo ruido-estrs puede ocurrir que el sujeto, al sentirse como una especie de conejillo de Indias al que investigan crudamente, por ese solo hecho aumente su nivel de estrs. Quizs estamos usando una amenazadora mquina para medir su estrs y el individuo se estresa con slo mirarla, con lo cual no podremos saber si tal estrs se debe al experimento mismo o a los ruidos. Esta influencia que puede ejercer la misma situacin experimental es llamada accin retroactiva por Oneil, influencia de la pre-medida por Selltiz, efectos de las mediciones previas segn Blalock, etc., pero todas esas denominaciones apuntan a la misma idea.
Un conocido ejemplo de influencia del experimento y que preocup durante mucho tiempo a los mdicos fue la llamada hipertensin del guardapolvo blanco. Cuando el mdico intentaba tomarle la presin a una persona, la sola presencia del galeno munido de un tensimetro bastaba para que la presin subiera espontneamente, con lo cual el mdico nunca poda saber si la hipertensin era un signo patolgico o simplemente un momentneo aumento de la presin ante la visin del guardapolvo blanco y el instrumento de medicin. Otro ejemplo aparece en Blalock (14). Un grupo de obreras aument su rendimiento laboral pero no debido a que haba mayor iluminacin y horarios de descanso, como se pensaba, pues cuando estos factores se suprimieron, el rendimiento no decay. Este se deba en realidad a que fueron separadas y aisladas para realizar el experimento: esto las halag pues crean estar siendo objeto de un trato preferencial, y entonces aumentaron su rendimiento. Los factores debidos al experimento mismo no se ven slo en el mbito de las ciencias sociales: pueden detectarse tambin en experimentos de microfsica cuando se trata de averiguar la causa de ciertas caractersticas de las partculas subatmicas. Una de las interpretaciones del principio de incertidumbre de Heisenberg dice que, cuando el fsico quiere observar la trayectoria de una partcula subatmica, su sola presencia material hace que esa trayectoria se modifique, con lo cual nunca puede saber hasta qu punto depende de su presencia fsica o de otro factor que en ese momento resulte importante investigar.

c) Control de variables adicionales Sea que se trate de variables organsmicas o situacionales, lo que el cientfico buscar hacer con estas variables adicionales es controlarlas y conocer su grado de influencia, por lo menos mientras el experimento dura. Para esto dispone de dos recursos fundamentales: la aleatorizacin y los grupos de control. 1) Aleatorizacin.- Los experimentos suelen hacerse con una muestra, y los individuos deben ser preferiblemente elegidos al azar (aleatorizacin). Esta seleccin al azar permite controlar la influencia de las variables adicionales y as por ejemplo, si queremos estudiar la influencia del ruido sobre el estrs, los sujetos elegidos no podrn ser todos ellos veteranos de guerra o bien todos ejecutivos, porque entonces las variables extraas experiencias traumticas y tipo de ocupacin estarn tambin influyendo sobre los niveles de estrs. En cambio si tomo los sujetos al azar (donde entrarn verosmilmente veteranos y no veteranos, ejecutivos y no ejecutivos), esto se supone que garantizar la heterogeneidad del grupo en cuanto a experiencias traumticas y ocupaciones, con lo que la influencia de stas se reducir considerablemente hasta un nivel aceptable donde su intervencin no resulta significativa.

38

En este punto podramos preguntarnos lo siguiente: para qu recurrir a la aleatorizacin, si podemos controlar las variables adicionales mantenindolas constantes? Sera como decir que al estudiar el vnculo ruido-estrs seleccionamos solamente a veteranos de guerra (es decir mantenemos constante la variable extraa experiencias traumticas pasadas) y entonces, cualquier variacin en el grado de estrs entre los que recibieron ruidos y los que no, se deber solamente al factor ruido ya que ambos grupos, al ser todos veteranos de guerra, estn en igualdad de condiciones. Esta solucin sera viable si fuese solamente una la variable extraa que hay que controlar, pero habitualmente son varias y realmente resulta muy difcil, cuando no imposible, mantenerlas constantes a todas, o sea, reunir un grupo homogneo respecto de todas las variables adicionales. De hecho, ya poder seleccionar un grupo donde todos sean veteranos de guerra y al mismo tiempo todos ejecutivos es bastante engorroso. Elegimos entonces el procedimiento de la aleatorizacin, por su mayor sencillez. El azar, como la muerte, es el gran nivelador, y por s solo es capaz de colocar en igualdad de condiciones a todos los sujetos de un experimento.

2) Grupos de control.- Cuando es necesario aumentar nuestro control de las variables adicionales, utilizaremos tambin grupos de control, un recurso bastante habitual. Una vez extrada una muestra de una poblacin, dentro de la misma seleccionamos dos grupos: el grupo experimental y el grupo de control. Llamamos grupo experimental al que sometemos a la influencia del posible factor causal que nos interesa (X), o sea a la influencia de la variable independiente o experimental, y llamamos grupo de control a cualquier otro grupo usado como referencia para hacer comparaciones. Habitualmente los grupos de control son aquellos a los que no sometemos a la influencia del posible factor causal. Ejemplo: a los efectos de investigar el estrs, el grupo experimental es aquel al que sometemos a distintas intensidades de ruidos, y el grupo de control no. Obviamente que los individuos de ambos grupos deben haber sido elegidos al azar: nuestro experimento fracasara si ponemos en el grupo experimental a todos los veteranos de guerra y en el de control a sujetos sin experiencias traumticas pasadas. El grupo de control es un adecuado procedimiento para neutralizar la influencia de las variables adicionales porque, al quedar minimizada su influencia por la aleatorizacin, se puede notar con mayor claridad la influencia de la nica variable no aleatorizada, o sea X. Si los sujetos son muy distintos en cuanto a ocupacin, experiencias pasadas, raza, estado civil, sexo, edad, etc., pero a todos los sometemos (o no) a los mismos ruidos, entonces se aprecia mejor la influencia de estos sobre el estrs. Consignemos, finalmente, porqu en las investigaciones explicativas se suele utilizar un grupo y no una persona nica, cuando este ltimo recurso podra ser ms sencillo. Al respecto, se considera que un solo caso puede ejemplificar un vnculo causal, pero no tiene poder probatorio. Es ms seguro conclur que la psicoterapia cura la depresin cuando hemos analizado 50 casos que cuando hemos analizado un nico caso, y ello es as en gran parte debido a que en un grupo es posible aleatorizar, es decir, controlar muchas otras variables que tambin podran haber ocasionado la cura. d) El diseo experimental Una vez que hemos tomado la precaucin de elegir los sujetos al azar, estamos ahora en condiciones de elegir un plan para hacer el experimento que probar si hay o no causalidad entre X e Y. Este plan se llama diseo experimental, y podemos definirlo con Oneil (15) como un modelo particular de variacin y constancia. Es particular porque se aplica a una muestra concreta, no a toda la poblacin, con lo cual luego deber resolverse si las conclusiones obtenidas para la muestra son igualmente aplicables a toda la poblacin, tarea que competer a la estadstica inferencial. Tambin es un modelo de variacin, porque nuestro experimento consiste en hacer variar la variable independiente X para ver si tambin vara la variable dependiente Y. Es tambin un modelo de constancia porque al mismo tiempo que hacemos variar las variables principales debemos controlar la influencia de las variables extraas, lo que podemos hacer mantenindolas en valores constantes. Dijimos que tericamente esto sera lo ideal, pero como no se pueden mantener constantes tantas variables extraas al mismo tiempo, podemos lograr el mismo control mediante la aleatorizacin, situacin en la cual si bien no se mantienen constantes sus valores, sus fluctuaciones quedan razonablemente neutralizadas. En ciertos casos, no obstante, ciertas variables adicionales pueden mantenerse constantes, como por ejemplo cuando queremos estudiar la relacin entre volumen y temperatura de un gas, a presin constante.
No debe confundirse el diseo experimental con el experimento: el diseo experimental es un plan general para hacer un experimento, de la misma manera que el plano de una casa es un plan para construrla. La definicin de Oneil antes indicada es una definicin de experimento, pero en lo esencial la juzgamos igualmente aplicable al diseo experimental.

Un experimento implica siempre en mayor o menor medida crear una situacin controlada, donde mantenemos constantes ciertos factores y hacemos variar otros. Pero a veces, para probar una hiptesis, no podemos recrear una tal situacin, y debemos esperar a que ocurra espontneamente. Esto se aplicara por ejemplo en el caso de querer verificar la hiptesis de la periodicidad de las manchas solares o de los eclipses, en cuyo caso no tenemos otro remedio que esperar una detemrinada fecha para ver si se producen o no, y para colmo tampoco podemos mantener constantes todos los otros posibles factores edicionales. En cambio si lo que quiero verificar es la temperatura de ebullicin del agua, aqu s puedo crear una situacin en la cual pongo a hervir agua y compruebo con un termmetro a qu temperatura se transformar el vapor, manteniendo al mismo tiempo constantes otros factores como presin atmosfrica, cantidad de solutos disueltos, etc. Esta ltima es, dijimos, una investigacin claramente experimental, mientras que el caso anterior del eclipse corresponde a una investigacin no experimental. En suma: un experimento es una situacin provocada y controlada. Realizar experimentos en ciencias sociales presenta algunas dificultades especiales: a) experimentar con seres humanos suele tener una limitacin tica. La alternativa podra ser encarnizarse con animales no humanos, pero

39

aqu surge otra dificultad: podemos desconocer hasta qu punto las conclusiones obtenidas sobre animales son extensibles a los seres humanos. De hecho este problema se presenta an en ciencias biolgicas, cuando se investigan nuevas drogas para curar enfermedades; b) el ser humano es particularmente complejo, y por lo tanto un experimento implicar controlar una mayor cantidad de variables adicionales, lo cual hace que debamos complejizar nuestro disseo experimental bivariado o, incluso, pasar a uno multivariado.

7. PRUEBAS DE CONFIRMACION
Pablo Cazau Al intentar confirmar nuestra hiptesis, podremos optar por un diseo experimental bivariado o por uno mltiple, segn nuestras necesidades o posibilidades. Comencemos con el primero. a) Diseos experimentales bivariados Dentro de los diseos experimentales bivariados hay varios tipos, pero el objetivo es aqu siempre probar la relacin X-Y como causal. Los iremos describiendo en orden de complejidad creciente basndonos en la versin Selltiz Jahoda Deutsch Cook (13). Cuando sospechamos que realmente hay pocas variables extraas utilizaremos un diseo ms simple, pero cuando no es as nos vemos obligados a tomar ms recaudos mediante un diseo ms complejo. Los diseos que veremos son seis y no son los nicos posibles, pero bastarn para que el paciente lector se forme una idea sobre cmo estn hechos y cmo pueden aplicarse. En el esquema siguiente se resumen los distintos tipos de diseos experimentales bivariados, desde el ms sencillo al ms complejo. Todos los grupos fueron tomados al azar, y se supone adems que estn ejerciendo influencia variables adicionales o extraas al experimento: de otro modo no tendra sentido usar estos diseos, cuyo propsito es precisamente controlarlas. Diseos experimentales bivariados (Versin ligeramente modificada por el autor de Selltiz-Jahoda-DeutschCook) Tipo de diseo (19) 1. Solo despues Grupos Experimental Control Experimental Experimental Control Experimental Control Experimental Control I Control II Y antes ------Y1 ---Y1 Y1 Y1 Y1 Y1 (Y1) X X --X X --X --X --X Y despus Y2 Y2 Y2 Y2 ---Y2 Y2 Y2 Y2 Y2 Cambio (d) d = Y2-Y2 Interaccin (I) ---Ejemplos
X = Proyeccin de un film de guerra Y = Opinin sobre la guerra X = Frustracin Y = Constructividad ldica X = Campaa publicitaria Y =Efectividad de la campaa X = Proyeccin de un film de guerra Y = Opinin sobre la guerra X = Curso de entrenamiento en relaciones humanas Y = Opinin sobre las relaciones humanas -----

2. Antes y despues con un grupo 3. Antes y despues con grupos intercambiables 4. Antes y despues con un grupo de control 5. Antes y despues con dos grupos de control 6. Antes y despues con tres grupos de control

d = Y2-Y1 d = Y2-Y1

-------

d = Y2-Y1 d = Y2-Y1 d = Y2-Y1 d = Y2-Y1 d = Y2-Y1

----

I=d (d+d)

X Y2 d = Y2-Y1 I=d -Y2 d = Y2-Y1 (d+d-d) -Y2 d = Y2-Y1 X Y2 d = Y2-Y1 --En este esquema observamos las expresiones Y antes, X e Y despus. Si retomamos el ejemplo de la relacin ruido-estrs, Y antes significa la medicin del estrs antes de aplicar el ruido (o premedida de Y), X significa aplicacin del estmulo sonoro, e Y despus indica la medicin del estrs despus de haber aplicado dicho estmulo (posmedida de Y). Esta ltima medicin debe realizarse para constatar si hubo o no alguna diferencia. En funcin de lo dicho encontraremos dos tipos de diseo bivariado: a) de slo despus, donde no tomamos la premedida, sino solamente aplicamos el ruido y luego medimos el estrs; y b) de antes y despus, donde tomamos tanto la premedida como la posmedida. Se trata de diseos ms complejos y, como se ve en el esquema, admiten cinco variantes.

Experimental Control I Control II Control III

Y1 Y1 (Y1) (Y1)

40

1) Diseo de slo despus.- Es un diseo sencillo donde trabajamos con un grupo experimental y otro de control, sin haber tomado a ninguno la premedida. Lo que hacemos es someter a estmulos sonoros (X) al grupo experimental, y luego averiguamos las posmedidas de estrs en ambos grupos (Y2 e Y2). Si hay diferencia significativa entre ambas medidas de estrs, cabe pensar entonces que X es la causa de Y. En otras palabras, la diferencia d (ver columna de cambio) debe ser distinta a cero. En principio, cuanto ms diferente de cero sea d, tanto ms probable es la influencia de X como factor causal. Si d da cero o valores muy prximos a cero no hubo cambio, o sea el nivel de estrs en ambos grupos es igual, de donde pensamos que el factor ruido no tuvo influencia causal. Supongamos un ejemplo numrico: Grupo Experimental Control Y antes ------X X ---Y despus 20 15 Cambio d = 20-15 = 5

En este experimento imaginario el nivel de estrs de quienes sufrieron ruidos es 20 (por ejemplo 20 ml de adrenalina en sangre), y el nivel de los que no sufrieron los ruidos es 15. Aparece una diferencia significativa, que es 5, y por lo tanto conclumos que el ruido ejerce influencia causal. Cuando aplicamos este diseo, estamos suponiendo que los niveles de estrs antes del ruido (premedidas) son aproximadamente iguales en ambos grupos y que tienen en este caso el mismo valor 15, pues ambos grupos fueron extrados de la misma muestra, se suponen homogneos entre s y los sujetos fueron elegidos al azar. De esta forma el grupo de control, al no haber sido expuesto a ruidos, seguir manteniendo el valor 15 de estrs, pero no as el grupo experimental. Esquemticamente, la situacin sera as: Grupo Experimental Control Y antes (15) (15) X X ---Y despus 20 15 Cambio d = 20-15 = 5

El valor 15 entre parntesis indica que slo suponemos dicho valor para ambos grupos antes de aplicar el ruido, pues en realidad en este tipo de diseo no hemos tomado efectivamente las premedidas. Si tenemos fuertes razones para suponer que las premedidas son iguales, no nos molestaremos en tomarlas, pero puede ocurrir que tengamos alguna duda y, al medirlas, comprobamos que en realidad son bastante distintas, como sera en el siguiente ejemplo hipottico: Grupo Experimental Control Y antes (20) (15) X X ---Y despus 20 15 Cambio d = 20-15 = 5

Si las cosas ocurren as, entonces nos hemos equivocado al suponer que el ruido causa el estrs, ya que en el grupo experimental el nivel de estrs antes y despus del ruido es igual. Por lo tanto, cuando tenemos suficientes razones para sospechar que las premedidas son distintas, debemos tomarnos la molestia de medirlas, y entonces ya no estaremos utilizando el diseo de slo despus, sino cualquiera de los diseos de antes y despus. En esta clase de diseos s habr de interesarnos tomar las premedidas y, cuando lo hacemos, pueden suceder dos cosas: a) que las premedidas sean iguales, situacin que es la ms deseable porque de entrada pone en el mismo nivel a todos los grupos respecto de la variable Y (estrs). Fueron grupos bien elegidos y proseguimos el experimento con ellos sin cambiarlos; b) que las premedidas sean distintas entre s , en cuyo caso volveremos a seleccionar otros grupos que sean homogneos respecto de sus premedidas, a efectos de nivelarlos. Otra posibilidad sera continuar con los grupos originales desiguales, pero en esta situacin habremos de tener en cuenta sus diferencias al momento de la evaluacin de los resultados finales.
Antes de examinar los diseos de antes y despus, demos un ejemplo de diseo de slo despus (Selltiz). El problema que gener la investigacin fue saber hasta qu punto la proyeccin de un film de guerra (X) influa sobre la opinin de las personas sobre los temas blicos (Y). Antes de la proyeccin del film al grupo experimental, se parti de la base de que las personas de ambos grupos (experimental y de control) tenan ms o menos las mismas opiniones sobre la guerra, con lo cual no era necesario tomar las premedidas de Y. Acto seguido se proyectaron varios films de guerra slo al grupo experimental, y despus se hicieron encuestas sobre opiniones de temas blicos a ambos grupos: si haba diferencia significativa entre estas opiniones, entonces se comprobaba la influencia causal de la proyeccin del film, y si no, no.

2) Diseo de antes y despus con un grupo .- Es el diseo ms sencillo en cuanto utilizamos un solo grupo: el experimental. En l, medimos el estrs antes del estmulo sonoro (Y1), aplicamos este estmulo (X), y voolvemos a medir el estrs despus (Y2). Si hay diferencia significativa entre Y2 e Y1, entonces el ruido es factor causal del estrs.
Selltiz da un ejemplo para el tipo de diseo 2. Se puede averiguar qu influencia tiene la frustracin (X) sobre la constructividad en el juego en los nios, para lo cual se ubican infantes con juguetes en una habitacin donde el investigador puede observarlos a ellos pero no estos a l. Los nios comenzarn a jugar, y se evala luego de cierto tiempo el grado de constructividad que despliegan. Luego se los somete a estmulos frustrantes (ocultarles los juguetes, mostrales juguetes ms nuevos pero que no pueden tocar, etc.) y se mide despus nuevamente el grado de constructividad cuando sigan jugando para saber si hubo o no alguna variacin significativa. Este experimento resulta tambin til para evaluar el grado de sadismo del investigador.

La simplicidad de este diseo radica en que el investigador que lo utiliza supone que las distintas variables extraas que pueden actuar sobre el estrs estn razonablemente controladas o anuladas por la simple

41

aleatorizacin, y no es necesario entonces el empleo de grupos de control. Sin embargo, si sospechamos que esas variables s estn ejerciendo su influencia, entonces deberemos usar diseos ms complejos, que enseguida veremos. Entre estas variables extraas hay dos que son particularmente importantes: la influencia de la premedida y la interaccin. Si creemos que la variable que interviene es solamente la premedida, optaremos por realizar un experimento segn el diseo de antes y despus con grupos intercambiables. 3) Diseo de antes y despus con grupos intercambiables .- Se trata de un diseo especial para el control de la influencia de la premedida de Y. el slo hecho de tomar una premedida del estrs puede hacer aumentar el estrs de la persona (por ejemplo por sentirse investigada). Por lo tanto habr aqu dos factores concurrentes que producen estrs: la premedida y el ruido. Si queremos eliminar la influencia de la premedida recurrimos a un expediente muy simple: sencillamente no la tomamos. En el esquema general de los diseos experimentales bivariados se aprecia, efectivamente, que el grupo experimental no es premedido: solamente es expuesto a X y luego posmedido. Sin embargo, necesitamos conocer el valor de la premedida del grupo experimental, y entonces recurrimos a un procedimiento tambin sencillo: le tomamos la premedida a otro grupo (grupo de control), el cual, por haber sido tomado de la misma muestra que el grupo experimental, existe suficiente seguridad estadstica de que ambos grupos tendrn aproximadamente las mismas premedidas, o sea, el mismo nivel previo de estrs. Por lo tanto el valor de la premedida del grupo de control (Y1) podremos considerarlo como si fuese el valor de la premedida del grupo experimental, con lo cual slo nos resta comparar si sta ltima y la posmedida son o no iguales: si la diferencia se aproxima a cero, entonces el ruido no influye como causa, y en caso contrario, s. La nica utilidad que entonces tiene aqu el grupo de control es la de proveernos de un datos premedido. Notemos tambin que en este tipo de diseo la diferencia d se obtiene comparando una premedida con una posmedida, en contraste con el diseo de slo despus donde comparbamos dos posmedidas.
Supongamos que queremos hacer una campaa publicitaria para vender relojes que funcionen con energa solar. Si queremos saber si fue o no efectiva podemos hacer una encuesta antes de la campaa preguntndoles a las personas sus preferencias en materia de relojes de distinto tipo, y luego otra encuesta despus de la campaa para ver si las preferencias cambiaron o no como consecuencia de la misma. Pero, el slo hecho de hacer una encuesta antes puede estar ya influenciando (influencia de la premedida) en el sentido que las personas podrn poner mayor inters en la campaa posterior, con lo cual sta ya no ser la campaa original (o bien la opinin previa puede influr en la opinin posterior por cierta tendencia de las personas a responder siempre lo mismo). Para evitar esa influencia, la encuesta previa la hacemos con personas de la misma poblacin pero que vivan fuera del alcance de la campaa publicitaria, con lo cual la encuesta posterior (posmedida) reflejar en el grupo experimental solamente la efectividad de la campaa, sin la influencia de la encuesta previa. Este experimento es entonces un ejemplo de aplicacin del diseo de antes y despus con grupos intercambiables.

4) Diseo de antes y despus con un grupo de control .- Es muy similar al esquema de slo despus, con la nica diferencia que aqu hemos tomado las premedidas para asegurarnos de la igualdad de condiciones de ambos grupos. Para que con este nuevo diseo podamos probar que X es causa de Y, debern verificarse simultneamente dos condiciones: que d sea distinto de cero, y que d sea igual o muy prximo a cero. Ejemplo: Grupo Experimental Control Y antes 15 15 X X ---Y despus 20 15 Cambio d = 20-15 = 5 d = 15-15 = 0

Este diseo nos sirve especialmente, entonces, para averiguar cmo son las premedidas entre s de ambos grupos, pero no permite controlar si hay o no influencia de la interaccin, influencia de la premedida, u otras influencias. Por lo tanto, lo aplicaremos cuando tenemos fuertes razones para pensar que todas estas variables extraas no estn ejerciendo influencia significativa. 5) Diseo de antes y despus con dos grupos de control .- El propsito central de este tipo de diseo es el de controlar la influencia de la interaccin, y entonces lo aplicamos cuando sospechamos su existencia. El diseo puede medir tambin la influencia de la premedida; efectivamente, notemos que aqu la situacin de los grupos de control II y I es igual a la situacin de los dos grupos del diseo 3, el cual serva precisamente para el control de esta variable extraa. Aclaremos el concepto de interaccin. Supongamos que el hambre (X) produce agresividad (Y), como pueden sugerirlo los saqueos a los supermercados en pocas de crisis. Si pudisemos disponer de un agresivmetro, supongamos que el hambre produce una agresividad de 3. Por otro lado, otras observaciones nos pueden sugerir que tambin la fatiga produce agresividad: si la pelcula es muy larga el pblico se puede enojar. Supongamos que aqu la fatiga produce agresividad 1. El sentido comn puede sugerirnos que, si los factores hambre y fatiga actan conjuntamente, el sujeto responder con una agresividad 4 (3 por hambre y 1 por fatiga). Esquemticamente: X Hambre Fatiga Hambre + fatiga Y Agresividad 3 Agresividad 1 Agresividad 4

Sin embargo, puede ocurrir que estos efectos no sean aditivos. Si un individuo est hambriento y encima fatigado, probablemente no le quede mucha energa para ser agresivo, y entonces en estos casos podemos obtener un valor 0.5 para su agresividad. Qu ha ocurrido? Las variables hambre y fatiga han interactuado, o

42

sea produjeron un efecto inesperado, no aditivo: la agresividad resultante fue mucho menor a la esperada, aunque en otros casos los efectos pueden ser mayores que la simple suma, vale decir que al interactuar, las variables potencien sus efectos como en el caso del consumo simultneo de alcohol y drogas. El primero produce dao cerebral 7 (una cifra cualquiera) y las segundas dao cerebral 9; pero, si ambos factores actan juntos, el dao cerebral no ser 16 sino 30. Definiremos entonces interaccin como toda situacin en la cual dos o ms variables, por el solo hecho de actuar conjuntamente sobre un efecto, producen una influencia no aditiva sobre ste, sea reducindolo, sea potencindolo. Se trata entonces de efectos combinados que van ms all de los simples efectos aditivos. Otros autores dan definiciones similares. Una de ellas, por caso, afirma que entre dos variables ocurre interaccin cuando el efecto que ejerce una de ellas en la variable dependiente cambia conforme los valores que adquiere la otra, es decir, cuando la accin de una de las variables depende de cmo acta una segunda (20). La consideracin de la interaccin puede tener gran importancia prctica. Pinsese, por ejemplo, en la posibilidad de que dos tratamientos combinados (psicoterapia y farmacoterapia) puedan producir efectos curativos que van ms all de la simple suma de los efectos curativos de cada tratamiento.
Blalock (16) cita un ejemplo para comparar los efectos aditivos (que este autor y otros varios llaman efectos principales) con los efectos de interaccin. Las variables educacin, sexo y raza determinan aditivamente el ingreso mensual: 2000 dlares por tener ttulo secundario, ms 2000 dlares por ser varn, ms 2000 dlares por ser blanco. Sin embargo esta aditividad puede distorsionarse, o sea pueden aparecer efectos de interaccin, como por ejemplo cuando la diferencia de ingresos entre blancos y negros es pequea para un bajo nivel educacional, pero mayor en los altos niveles de educacin. As, si un blanco posee solamente ttulo primario, su sueldo por ser blanco se acercar ms al sueldo de un negro con primaria y ganar en tal concepto slo 500 dlares ms (y no 2000). Estn aqu interactuando las variables educacin y raza produciendo un efecto no aditivo sobre el ingreso mensual.

Traslademos ahora el concepto de interaccin al diseo 5. En este caso lo que queremos averiguar es si hay o no interaccin entre la premedida (Y1) y la variable experimental (X), es decir, si producen o no un efecto no aditivo sobre la posmedida (Y2). Por lo tanto, la sospecha estar recayendo solamente en el grupo experimental, nico grupo donde ambos factores actan conjuntamente. Para saber si existe o no interaccin, primero averiguaremos los efectos que producen independientemente Y1 y X, o sea, cuando actan solos, lo que podemos saber mediante los grupos de control I y II respectivamente. Vemos as que el diseo 5 hace posible la separacin de la influencia de la variable experimental de la influencia de la premedida, an cuando haya interaccin entre ellas. Aclaremos que en el grupo de control II la premedida no fue efectivamente tomada (pues slo nos interesa la influencia de X), pero como necesitamos igualmente conocer su valor, simplemente la inferimos a partir de las premedidas de los otros dos grupos, pudiendo ser un simple promedio de ellas. En el esquema general de diseos experimentales bivariados, los parntesis significan que se trata de una premedida inferida. Comparemos ahora los siguientes dos ejemplos: uno donde no hay interaccin y otro donde s la hay. Cuadro A (sin interaccin) Grupo Experimental Control I Control II Y antes 15 15 (15) X X ---X Y despus 40 15 40 Cambio d = 25 d = 0 d = 25 Interaccin I = d (d + d) I = 25 (0 + 25) = 0

Cuadro B (con interaccin) Grupo Experimental Control I Control II Y antes 15 15 (15) X X ---X Y despus 40 15 20 Cambio d = 25 d = 0 d = 5 Interaccin I = d (d + d) I = 25 (0 + 5) = 20

El grupo de control I detecta si hay o no influencia de la premedida (pues all no se aplica ruido y mucho menos interviene la interaccin entre premedida y ruido). Si comprobamos que efectivamente no existe esta influencia (como en los cuadros A y B), cualquier diferencia entre las posmedidas del grupo de control II y el grupo experimental ser debida a la interaccin (tal como ocurre en el cuadro B). En el caso de constatarse la existencia de interaccin, el experimento deber complejizarse para poder ponderar su influencia segn qu valores asuman las variables interactuantes (pues puede ocurrir que para determinados valores la interaccin quede anulada, para otros potencie sus efectos y para otros los reduzca por debajo de lo aditivamente esperable). A partir de lo dicho fcil es darse cuenta que puede haber influencia de la premedida sin que haya interaccin (caso donde la premedida y X dan efectos simplemente aditivos), pero no puede haber interaccin sin influencia de la premedida (pues en estos diseos precisamente la interaccin se establece entre la premedida y X). En los cuadros A y B, observando los valores del grupo de control I nos damos cuenta que no hubo influencia de la premedida, lo cual no significa que sta pueda empezar a ejercer influencia a propsito de su accin conjunta con X en el grupo experimental. Muchas veces con slo mirar los valores de los cuadros podemos saber intuitivamente si hubo o no interaccin, pero si queremos conocer cuantitativamente su valor preciso aplicaremos la frmula de la interaccin (ubicada a la derecha de los cuadros A y B): a medida que el resultado se aproxime a cero, la interaccin ser cada vez menor. Cuando el valor obtenido es cero, no la hay.
Selltiz cita un ejemplo de diseo 5, donde los investigadores trataron de averiguar si los cursos de entrenamiento en relaciones humanas (X) influan o no sobre la informacin y opinin sobre temas de relaciones humanas en las personas

43

que hicieron dichos cursos. Se supuso que poda haber interaccin entre la premedida (encuesta previa al curso) y la variable experimental (curso), y entonces se utilizaron otros dos grupos: uno hizo directamente el curso sin encuesta previa (grupo de control II), y el otro fue sometido a esta encuesta previa sn hacer el curso (grupo de control I), con lo cual pudieron medirse esas influencias en forma independiente.

6) Diseo de antes y despus con tres grupos de control. - Adems de medir la influencia de la interaccin y de la premedida, este diseo tiene la ventaja adicional de poder controlar la influencia de otras variables extraas desconocidas, tanto organsmicas (cambios madurativos, etc) como situacionales (clima, etc) que eventualmente puedan tambin estar ejerciendo su influencia. Este sexto diseo es igual al anterior excepto que tiene agregado un grupo de control III, que es precisamente el que nos permite averiguar si influyen o no las otras variables adicionales. En l volvemos a encontrar una premedida inferida, o sea un premedida no tomada pero cuyo valor se supone similar a las premedidas tomadas en los otros grupos. La necesidad de contar con este valor deriva del hecho que necesitamos compararlo con la posmedida correspondiente para ver si existe o no una diferencia d. El razonamiento que debemos hacer entonces es el siguiente: sobre la posmedida del grupo de control III nunca podr ejercer su influencia ni la premedida ni la variable experimental, pues no fueron aplicadas, ni mucho menos la interaccin entre ellas. Por lo tanto, cualquier diferencia que aparezca entre la premedida inferida Y1 y la posmedida Y2 ser debida a la influencia de las otras variables adicionales, lo cual nos permite entonces detectar sus intervenciones. En sntesis: los tipos de diseo experimental aqu examinados estn destinados a probar si X es factor causal de Y mediante el control de las variables adicionales. Estas ltimas son fundamentalmente la influencia de la premedida, la interaccin, y otras posibles variables que pueda haber. Cuando consideramos que las variables adicionales ya estn controladas de antemano y suponemos que las premedidas son iguales o controlables, aplicamos el diseo 1. Cuando no conocemos las premedidas y creemos que son distintas, nos sacaremos la duda aplicando los diseos de antes y despus 2 y 4. Cuando sospechamos que adems puede ejercer influencia la premedida, aplicamos el diseo 3. Cuando pensamos que interviene la interaccin, aplicamos el diseo 5 y finalmente, cuando creemos que adems de la premedida y la interaccin intervienen otros factores que es preciso tambin controlar, nos decidiremos por el diseo 6.
Cmo averiguar qu tipo de diseo fue aplicado en un experimento dado? Para saberlo podemos contar con una regla prctica: si en el experimento no se tomaron premedidas, se aplic el diseo 1, y si efectivamente fueron tomadas, quedan los diseos 2 al 6. Si se trabaj con un solo grupo se us el diseo 2, con tres grupos el diseo 5 y con cuatro grupos el diseo 6. Restan los diseos 3 y 4, ambos con dos grupos. Reconocemos la aplicacin del diseo 3 si se tom una sola premedida (al grupo de control), y fue usado el diseo 4 si se tomaron las premedidas en ambos grupos.

b) Diseos experimentales multivariados Adems de estos diseos experimentales bivariados existen tambin los diseos experimentales multivariados, tambin llamados mltiples o factoriales. En ellos, la variable dependiente Y sigue siendo una sola, y lo nico que aumenta es el nmero de variables independientes o experimentales (X1, X2, X3, etc), pues lo que se busca investigar son varios posibles factores causales al mismo tiempo, con el objeto de probar cul o cules de ellos influyen como causa y en qu medida lo hacen. Tales diseos multivariados se justifican por ejemplo cuando: a) no podemos aislar y controlar en la realidad las distintas variables independientes, con lo que no nos queda otro remedio que considerarlas conjuntamente mediante un diseo mltiple; b) cuando resulta menos costoso en tiempo y dinero tratar conjuntamente todas las variables en lugar de hacer varios diseos bivariados separados (como X1-Y, X2-Y, etc). Ejemplos de diseos multivariados son los siguientes: Ejemplo 1 X1 = Nmero de palabras a recordar X2 = Nivel de ansiedad Y = Memoria Ejemplo 2 X1 = Variedad vegetal X2 = Tipo de suelo X3 = Clima Y = Velocidad de crecimiento Ejemplo 3 X1 = Mtodo de enseanza X2 = Personalidad profesor X3 = Proximidad exmenes Y = Rendimiento escolar

Variables independientes o experimentales Variable dependiente

Estos diseos se complicaran si suponemos que existe interaccin entre las variables experimentales consideradas, pero no examinaremos aqu esa posibilidad. Tomemos el ejemplo 3, en el cual queremos averiguar cmo influyen sobre el rendimiento escolar el mtodo de enseanza, la personalidad del profesor y la proximidad de los exmenes. Para examinar todas estas variables a la vez hay varias tcnicas, de las cuales citaremos a modo de ejemplo la tcnica del cuadrado latino.
Antes de ser utilizado en la investigacin experimental, el cuadrado latino era un simple entretenimiento que en la poca medieval reemplazaba a la televisin, slo que haca pensar. Consista en disponer en una tabla cuadrada letras de tal forma que ninguna de ellas poda repetirse en ninguna columna vertical- ni hilera horizontal-. Por ejemplo, si las letras eran A, B y C, el cuadrado latino se solucionaba del siguiente modo:

A B C C A B B C A 44

Aqu la letra A aparece slo una vez en cualquier columna o hilera, y lo mismo sucede con las letras B y C. Una vez resuelto, se intentaran luego pruebas ms difciles utilizando por ejemplo cuatro columnas, cuatro hileras y cuatro letras, y as sucesivamente.

Con el cuadrado latino se investigan cuatro variables (tres independientes y una dependiente), y el nmero de columnas o hileras guarda relacin no con el nmero de variables sino con el nmero de categoras de las mismas. Si queremos estudiar la influencia de tres variables independientes (mtodo de enseanza, personalidad del profesor y proximidad de los exmenes) sobre la variable dependiente (rendimiento escolar), y tomar tres categoras para cada una de esas variables, organizaremos el experimento sobre la base del siguiente cuadrado: Examen lejano M1 M2 M3 Examen intermedio M2 M3 M1 Examen prximo M3 M1 M2

Profesor A Profesor B Profesor C

En este cuadrado quedaron formados nueve casilleros. En la prctica, esto significa que hemos tomado nueve grupos de alumnos, y as por ejemplo el primer grupo est formado por alumnos que tienen el profesor A, cuyos exmenes estn lejanos, y con los cuales se utiliz el mtodo de enseanza M1, y as sucesivamente con los dems grupos. Observemos que los nmeros 1, 2 y 3, las tres categoras de la variable mtodo de enseanza, han sido dispuestas de acuerdo al criterio del cuadrado latino: no se repite ninguna cifra ni por hilera ni por columna. Esto resulta muy importante porque mezcla todas las variables y categoras lo suficiente como para que no haya predominio de ninguna en especial en el conjunto de los nueve grupos. As por ejemplo, si en lugar de haber puesto en la primera hilera horizontal M1, M2 y M3 hubisemos puesto M1, M1 y M1, en esa hilera habra un neto predominio del mtodo de enseanza 1 y del profesor A. En cambio, con la disposicin del cuadrado latino se procura que no aparezcan estos predominios. Obviamente el cuadrado no contempla todas las posibilidades de combinacin, pues faltan por ejemplo los grupos con profesor A, cercana de exmenes y mtodo de enseanza 1. Esta y otras posibilidades fueron anuladas para evitar el predominio anteriormente citado, y los nueve grupos seleccionados bastan para poder emprender la investigacin con ellos sin considerar los 27 posibles, con el consiguiente ahorro de esfuerzo, tiempo y dinero. El hecho de que no aparezcan los predominios indicados tiene un motivo fundamental. Siguiendo con el ejemplo anterior, si en la primera hilera aparecen predominando el profesor A y el mtodo de enseanza 1, un muy alto rendimiento escolar en esos tres grupos no sabramos si atriburlo al profesor o al mtodo de enseanza, con lo cual habramos desvirtuado el propsito del experimento, a saber, conocer el grado de influencia causal de cada uno de los factores considerados. Una vez que hemos seguido durante meses la evolucin de los nueve grupos formados, hipotticamente podemos haber obtenido los siguientes valores de rendimiento escolar: Examen lejano 9 6 3 Examen intermedio 5 1 8 Examen prximo 2 8 4

Profesor A Profesor B Profesor C

Estos valores no son frecuencias sino ndices de rendimiento escolar, que pueden resultar por ejemplo del promedio de calificaciones de los alumnos de cada grupo. Por ejemplo, 9 fue el promedio de calificaciones obtenidos por el grupo con profesor A, examen lejano y mtodo de enseanza 1. Cmo analizamos esta informacin? El primer lugar podemos comenzar observando dnde estn las calificaciones ms altas (8-8-9), y vemos que coinciden justamente con los grupos donde se aplic el mtodo de enseanza 1. En segundo lugar podemos observar dnde estn las calificaciones ms bajas (1-2-3), que aparecen en los grupos donde se us el mtodo de enseanza 3. Ambas observaciones nos sugieren que el factor mtodo de enseanza es muy importante para el rendimiento escolar, y adems que las otras dos variables tienen escasa influencia, ya que por ejemplo tanto en los grupos con bajas calificaciones como en los de altas calificaciones, existieron diversos profesores y diversos grados de proximidad temporal al examen. Adems, por ejemplo, cada profesor tuvo alumnos con rendimientos muy dismiles en sus respectivos tres grupos. Los resultados de la investigacin tambin podran haber sido estos otros:

5 4 4 5 9 4 Caso

1 1 2 A

6 5 7 6 5 6 Caso

6 5 6 B

En el caso A podemos sacar dos conclusiones importantes: primero, que el rendimiento escolar aumenta notablemente con la feliz combinacin del profesor C que imparte el mtodo de enseanza 3 lejos de los exmenes (promedio de calificaciones 9), con lo cual pueden organizarse las clases en un colegio con estos

45

criterios; y segundo, que la proximidad de los exmenes disminuye notablemente el rendimiento escolar, pues all las calificaciones fueron bajas (1-1-2) en comparacin con las calificaciones de los otros grupos. En el caso B el anlisis de los datos nos revela que ninguno de los tres factores es ms importante que el otro, ejerciendo todos ellos una influencia ms o menos igual, que hasta incluso podra ser nula. En el anlisis de los datos es tan importante darse cuenta qu nos dicen como qu no nos dicen, y as, el caso B no nos informa acerca del porqu de las calificaciones regulares (5-6-7), lo cual puede atriburse a alguna variable contextual como por ejemplo la edad de los alumnos: en la adolescencia, se piensa en cualquier cosa menos en estudiar.

8. PRUEBAS DE ESPUREIDAD
Pablo Cazau Tanto los diseos experimentales bivariados como los mltiples examinados precedentemente estaban destinados a probar que uno o varios factores eran causa de Y. Podemos llamar a estos diseos, entonces, pruebas de confirmacin, ya que con ellos el cientfico busca confirmar su sospecha de la existencia de causalidad, lo cual no significa que siempre lo consiga. Pero otras veces lo que el cientfico sospecha es que cierto factor X en realidad no es factor causal de Y, y entonces deber emprender una prueba de refutacin. Las pruebas de espureidad son de este tipo y buscan demostrar que, a pesar de las apariencias, X no es causa de Y por existir otro factor que podra ser la verdadera causa. La prueba de espureidad tiene la estructura de un experimento crucial, donde se busca decidir entre dos hiptesis alternativas y donde una de ellas debe quedar refutada. La diferencia est en que en el experimento crucial se comparan dos hiptesis mutuamente excluyentes (esto es, lgicamente contradictorias), cosa que no es indispensable en una prueba de espureidad donde eventualmente puede ocurrir que ambas hiptesis queden refutadas.
Podemos entender una prueba de espureidad como un diseo multivariado, puesto que en ellas debemos considerar la influencia sobre Y de al menos dos variables que funcionan como independientes: la variable de la cual sospechamos que no es causa, y la variable de la cual sospechamos que s lo es. Esta ltima se la considera frecuentemente variable adicional mientras no se pruebe fehacientemente el vnculo causal, y entonces la prueba de espureidad sera bivariada. De cualquier manera que se la conciba, la cuestin no resulta relevante a los efectos de comprender su esencia.

Tres ejemplos nos ilustrarn sobre algunas formas en que pueden presentarse las pruebas de espureidad. a) Ejemplo 1.- Una investigacin descriptiva nos revel que exista una alta correlacin entre el estrs y el tiempo en que las personas estaban fuera del hogar. En un primer momento se sospech que el estrs se deba a esas prolongadas ausencias, pero por uno u otro motivo fue creciendo en el investigador la sospecha de que el tiempo de alejamiento (variable independiente) no era la causa del estrs (variable dependiente) sino el tipo de ocupacin de la persona (variable adicional), y que si las dos primeras estaban altamente correlacionadas era porque sobre ellas actuaba independiente y simultneamente el tipo de ocupacin (o sea, el tipo de ocupacin influye tanto sobre el estrs como sobre el tiempo de alejamiento del hogar). Esquemticamente:

Tipo de ocupacin

Tiempo de ausencia

Estrs

En este esquema las dos flechas llenas indican que efectivamente Z es causa de X y de Y, y la flecha punteada indica que la relacin X-Y es esprea, es decir, aparenta ser un vnculo causal pero no lo es. Examinemos ahora cmo se ha procedido para llegar a esas conclusiones. La alta correlacin existente entre X e Y, que haba hecho suponer al investigador que exista un vnculo causal, surgi originalmente a partir de la lectura del cuadro siguiente: % de estresados 80% 60%

Ms tiempo fuera del hogar Menos tiempo fuera del hogar

Una vez que se afianz la creencia de que este vnculo slo tiene apariencia de causal pero en realidad no lo es (relacin esprea), y de que la causa pareca ser en realidad el tipo de ocupacin, el investigador procedi a recoger los datos en un segundo cuadro pero, esta vez, incluyendo la variable adicional Z para ver si se produca algn cambio: % de estresados Ms tiempo fuera del hogar Menos tiempo fuera del hogar

46

Ejecutivos No ejecutivos

81% 62%

78% 61%

Este nuevo cuadro trivariado- confirma la espureidad del vnculo original X-Y. En efecto, aqu se aprecia que la diferencia en el porcentaje de estresados entre los que estn ms tiempo y menos tiempo fuera del hogar (81% y 78%, o bien 62% y 61%), no es significativa si la comparamos con la diferencia en el porcentaje de estresados entre los ejecutivos y los no ejecutivos (81% y 62%, o bien 78% y 61%), todo lo cual indica que el estrs no es debido al mayor o menor tiempo fuera del hogar sino al tipo de ocupacin. Ms concretamente, vemos que la diferencia en cuanto a porcentaje de estresados entre ejecutivos y no ejecutivos es del 19% (que resulta de restar 81% y 62%), diferencia que es grande en comparacin con la diferencia en el porcentaje de estresados entre los que estn ms tiempo y menos tiempo alejados del hogar, que es apenas del 3% (resultado de restar 81% y 78%). b) Ejemplo 2.- Blalock (17) cita un ejemplo donde se constat una alta correlacin entre la religin y la preferencia poltica, lo que llev a pensar que era la religin no que determinaba a sta ltima. No obstante, se sospech que en realidad la influencia provena del tipo de ocupacin, o sea de si las personas eran empleados u obreros. El esquema correspondiente es:

Tipo de ocupacin

Religin

Preferencia poltica

Los datos que llevaron a la suposicin de un vnculo causal entre X e Y haban surgido del cuadro siguiente, donde figuran por igual obreros y empleados sin discriminar, ya que an no se sospechaba la influencia del tipo de ocupacin: Protestantes 62% 38% Catlicos 38% 62%

Republicanos Demcratas

Cuando se empez a pensar en la espureidad de este vnculo entre religin y preferencia poltica se construyeron dos nuevos cuadros con la misma muestra de sujetos que haba servido para el primero: uno con empleados solamente y otro con slo obreros, siendo los resultados los siguientes. Empleados Republicanos Demcratas Obreros Republicanos Demcratas Protestantes 56% 14% Protestantes 6% 24% Catlicos 24% 6% Catlicos 14% 56%

Estos datos muestran que efectivamente el vnculo X-Y es espreo, y adems agrega elementos de juicio favorables a la hiptesis del tipo de ocupacin como factor causal. Este segundo ejemplo nos muestra adems que el cuadro trivariado del primer ejemplo puede ser desglosado en dos cuadros bivariados, uno para cada categora de la variable adicional. Las pruebas de espureidad pueden establecer inequvocamente que la relacin X-Y no es causal, pero algunas veces no alcanzan para probar simultneamente que Z sea la causa real de Y, con lo cual nos vemos obligados a recurrir a algn tipo de diseo experimental bivariado para llevar a cabo esta ltima prueba de confirmacin, o bien a realizar una nueva prueba de espureidad si sospechamos de una nueva variable adicional Z, como factor causal real. c) Ejemplo 3.- Hyman (18) propone un ejemplo donde la variable adicional no es una variable antecedente, como en los dos ejemplos anteriores, sino una variable interviniente. Es decir:

Nivel de educacin

Inters en poltica

Intencin de voto

47

Realizando la lectura igual que en el primer ejemplo, el cuadro I fue el que originalmente sugiri que el nivel de educacin es causa de la intencin de votar, mientras que el cuadro II mostr finalmente la existencia de un factor causal ms directo, que fue el inters en poltica: Cuadro I Secundario Primario Cuadro II Mucho inters Moderado inters Poco inters Secundario 99% 93% 56% Intencin de voto 92% 82% Intencin de voto Primario 98% 90% 59%

Podramos aqu argumentar que en realidad no estamos refutando X ya que, si bien indirecta, la causa sigue siendo la causa de Y. Sin embargo se puede considerar por simple convencin que la causalidad indirecta es irrelevante y, por tanto, una prueba de espureidad considerar la refutacin en un sentido muy amplio, es decir no slo implicar declarar falsa una hiptesis sino tambin no relevante. Correlacin y causalidad.- La importancia que tienen las pruebas de espureidad, sea cual fuere la forma que adopten, radica en que hay muchas situaciones donde dos variables aparecen estadsticamente correlacionadas, pero que sin embargo, carecen de todo vnculo causal. Evidentemente puede haber una alta correlacin entre el hecho de que un profesor comience una clase a las 20 horas y otro, en la misma aula, lo haga a las 22 horas, pero ello no significa que la primera situacin sea la causa de la otra. En estos casos, ambas variables dependen de una tercera, que es la organizacin horaria de la universidad. De la misma manera, hay una alta correlacin entre los hechos amanece en Buenos Aires y amanece en Chile, ya que cada vez que amanece en Buenos Aires, poco despus tambin amanece en Chile. Sin embargo, nadie se animara a decir que lo primero es la causa de lo segundo. La tercera variable de la cual dependen ambas es, en este caso, la rotacin de la tierra. Existe cierta tendencia muy humana a considerar que las simples correlaciones estadsticas indican una relacin causal. Antiguamente, se pensaba que cuando ocurran ciertos fenmenos como un viento que soplaba del este, el resultado era que a los nueve meses se produca el nacimiento de un hijo, ya que se haba atendido a la correlacin viento-nacimiento. Obviamente se trata este de un caso de correlacin sin causalidad, ya que el viento, si bien poda estar asociado por un nacimiento, nadie hoy en da dira que el viento es la causa del mismo. Y es que a nadie se le haba ocurrido por entonces relacionar el coito con el nacimiento: hoy sabemos que la relacin coito-nacimiento no slo es una correlacin sino que adems tambin es un vnculo causal. Despus de todo, dicen algunos chistosos, el Da del Padre se cumple nueve meses antes que el Da de la Madre.

48

9. EL INFORME DE INVESTIGACION
Como toda palabra que termina en cin, el trmino investigacin puede designar la accin o el efecto de esa accin. Por lo tanto, la investigacin puede referirse a la accin de investigar, o al efecto de esa accin, es decir, a la investigacin ya realizada. En el primer caso la investigacin es concebida como un proceso o actividad, y en el segundo caso como un resultado. En nuestros captulos anteriores hemos descripto la investigacin como proceso, mientras que ahora abordaremos la cuestin de cmo llegar a la investigacin como resultado. As como la investigacin como proceso se materializa en una serie de acciones concretas de los investigadores (administrar encuestas, hacer clculos, buscar bibliografa, manipular estmulos para ratas, etc.), la investigacin como resultado se materializa en un discurso verbal, como por ejemplo, tpicamente, una comunicacin cientfica (paper, monografa, informe de investigacin, artculo, libro, etc.). En efecto, una vez que el investigador llev a cabo su estudio exploratorio, descriptivo y/o explicativo, puede tener inters en comunicar sus resultados a la comunidad cientfica nacional o internacional, y entonces emprende la ltima tarea, la redaccin del informe final, que habitualmente aparecer en las revistas especializadas como un artculo cientfico, o ser ledo en algn congreso, o, si es ampliado y profundizado, tomar la forma de un libro. El intercambio de informacin entre los cientficos es importante porque cualquiera de ellos puede saber qu se investig y qu no se investig sobre tal o cual tema en el mundo, lo que a su vez permite evitar repetir experimentos, inventar hiptesis ya inventadas, o disponer de nuevas fuentes de inspiracin para continuar investigaciones o plantear nuevos problemas e hiptesis. Todo informe final contiene tres partes esenciales: el ttulo, el abstract y el informe propiamente dicho. Este ltimo se resume en el abstract y el abstract, a su vez, queda resumido en el ttulo. El ttulo es tan importante para el informe como el nombre y apellido puede serlo para identificar a una persona, slo que el nombre y el apellido nos dicen poco sobre ella.
Aclaremos la diferencia entre el resumen del informe, y las conclusiones que suelen figurar al final del mismo. a) La conclusin hace referencia a las consecuencias ms importantes de la investigacin realizada, sea que consistan en los nuevos problemas que plantea, en las soluciones prcticas que pueda ofrecer, en su repercusin para la ampliacin, la reconsideracin o la refutacin de las teoras cientficas establecidas que sirvieron de marco de referencia a la investigacin, etc. b) Mientras una conclusin adelanta consecuencias, un resumen comprime informacin. El resumen es un texto que reduce el artculo a las ideas principales dejando de lado las secundarias, y permite al lector darse una idea de su contenido en un tiempo bastante ms breve. Un resumen es una sntesis analtica, una conclusin es una sntesis dialctica. A veces se emplea tambin la palabra abstract, aunque generalmente sta se aplica a un resumen algo ms lacnico y ubicado al comienzo del artculo.

Esta organizacin del informe en tres partes facilita enormemente su bsqueda en el inmenso ocano de informacin que circula en Internet o en las bibliotecas. As, si lo que buscamos es por ejemplo informacin sobre las relaciones entre familia y drogadiccin, no nos veremos obligados a leer todos los informes en su totalidad, sino solamente sus ttulos. Sobre 3000 ttulos seleccionados se podrn elegir 300, de los cuales leeremos solamente los abstracts. Una nueva seleccin en funcin de estos ltimos finalmente, podr conducirnos a la seleccin de 30 informes, que s podremos leeer con mayor detenimiento. El informe propiamente dicho no necesita obligatoriamente explicar todas las vicisitudes, marchas y contramarchas de la investigacin, siendo suficiente explicar en forma clara pero rigurosa los objetivos de la investigacin emprendida, las conclusiones obtenidas, los elementos de juicio que las avalan y las tcnicas empleadas en la investigacin, el tipo de diseo, las caractersticas de los instrumentos de medicin utilizados, etc. Incluso la exposicin puede ser amena sin que por ello el informe deba transformarse en un artculo de divulgacin cientfica, ms destinado a al pblico general que al pblico especializado. Adems, un texto cientfico tiene ciertas caractersticas que no tiene un texto literario como una novela o una poesa, ya que su finalidad primaria no es la de expresar estticamente sentimientos o dar rienda suelta a la fantasa, sino la de comunicar informacin. En este sentido, consignemos finalmente algunas cuestiones acerca del estilo. La comunicacin de los resultados de una investigacin cientfica puede adoptar dos formas: oral o escrita, las que determinarn dos estilos diferentes. El estilo oral es ms coloquial e informal, y el discurso no suele estar tan organizado como en un material escrito, donde generalmente se ha cuidado de utilizar un lenguaje ms riguroso y de estructurar las ideas en forma ms coherente, como por ejemplo mediante el empleo de ttulos. El estilo oral est estructurado temporalmente, porque las palabras pronunciadas tienen duracin, de aqu la utilizacin de muletillas del tipo " ahora veremos..." o "si nos queda tiempo...", etc. En cambio, el estilo escrito est organizado espacialmente, porque las palabras escritas ocupan un lugar fsico (en el papel o en la pantalla de la computadora). Por ello, las muletillas tpicas son, por ejemplo, " ms arriba dijimos", o "aqu veremos...", etc. Ejemplo tpico de empleo del estilo oral son las clases. Con el tiempo, estas clases podrn transformarse en discurso escrito: apuntes impresos, artculos cientficos, libros, etc. Para ello, suelen antes pasar por una etapa intermedia: la clase desgrabada, que, si bien es escrita, mantiene la estructura temporal, el lenguaje poco riguroso y la organizacin informal.

49

Los estilos escritos pueden adoptar, por su parte, dos formas, segn sus destinatarios naturales. Por un lado encontramos el estilo acadmico, presente en informes en simposios, artculos de revistas especializadas, etc, y estn destinados a otros cientficos o colegas. Por otro lado, como qued dicho, encontramos el estilo periodstico, tal como puede aparecer en diarios o revistas de inters general o de divulgacin cientfica. Sus destinatarios son el pblico profano, y por ello el lenguaje empleado no es tan riguroso y, con frecuencia, ms llamativo e impactante.

10. RESUMEN
Pablo Cazau La tarea central de la investigacin cientfica consiste en proponer explicaciones acerca de la realidad (hiptesis), y luego probar sus consecuencias empricamente. El presente texto trata acerca de los pasos concretos que habitualmente da el cientfico cuando realiza una investigacin en ciencias sociales. Esta tarea comienza con un problema solucionable que se plantea el cientfico. Para poder resolverlo, se traza un plan llamado esquema de investigacin, consistente en recolectar, organizar y analizar datos combinndolos entre s, con la intencin de hallar una respuesta al problema original. Hay varios tipos de esquemas: experimentales, no experimentales, de laboratorio, de campo, etc, aunque los ms relevantes a los efectos de la organizacin de este texto son aquellos que coinciden con las tres etapas de la investigacin cientfica: los esquemas exploratorio, descriptivo y explicativo. En el estudio exploratorio el cientfico buscar informacin para compensar su desconocimiento del tema y familiarizarse con l. La actitud deseable es la flexibilidad en la seleccin de la informacin, y la tarea central es la recoleccin de datos mediante observacin, cuestionarios, entrevistas, etc. La exploracin culmina con la seleccin de una serie de factores o variables ahora considerados relevantes. Antes o despus del estudio exploratorio el cientfico podr o no haber formulado alguna hiptesis preliminar para comenzar a dar respuesta al problema que origin la investigacin. En la investigacin descriptiva se comienza a trabajar con las variables seleccionadas en la etapa anterior. Cada una de ellas se categoriza y operacionaliza, y luego se procede a obtener datos de una muestra seleccionada, organizando la informacin en tablas, medidas estadsticas o grficos. A continuacin se procede al anlisis de los datos o anlisis de correlacin, con el fin de determinar si hay o no asociacin estadstica entre las variables consideradas. A partir de aqu el investigador culmina su estudio descriptivo en cualquiera de dos caminos: o bien emprende un anlisis de regresin (con el nico fin de poder predecir acontecimientos sobre la base de la correlacin constatada), o bien deja planteada la posibilidad de que dicha correlacin implique un vnculo causal (es decir, esboza una hiptesis causal), o tambin que, a pesar de esa correlacin, no hay tal vnculo. En la etapa explicativa, el cientfico intentar probar o bien que el vnculo causal existe (prueba de confirmacin), o bien que no existe (prueba de refutacin). Para las pruebas de confirmacin se suelen utilizar diseos experimentales bivariados (de los cuales explicamos seis tipos) o multivariados (de los cuales explicamos el cuadrado latino). Respecto de las pruebas de refutacin, hemos mencionado algunos ejemplos de pruebas de espureidad. Cuando el investigador concluye su tarea en cualquiera de las tres etapas, suele confeccionar un informe para dar a conocer su indagacin a la comunidad cientfica con el fin de evitar repeticiones, trazar comparaciones y servir como fuente de inspiracin de nuevos trabajos. Para quienes estn interesados en entender cules son concretamente los pasos que sigue una investigacin tpica en ciencias sociales, hemos tambin includo en este texto un plan orientativo que describe, mediante un ejemplo, las etapas de la misma. Finalmente, hemos tambin includo una introduccin a la estadstica y a la medicin, dos herramientas indispensables de la investigacin. La estadstica nos permite en una primera etapa organizar y analizar una gran cantidad de informacin (estadstica descriptiva), y luego extender estas conclusiones ms all del restringido mbito de los datos ya conocidos (estadstica inferencial). Por su parte, la medicin es un procedimiento que nos permite conocer cmo varan los fenmenos en el mundo real tanto en calidad como en cantidad, lo cual es muy importante porque es gracias a que existen variaciones que dependen de otras variaciones, que podemos organizar nuestro conocimiento del mundo.

50

11. EJERCITACION
Pablo Cazau En este ltimo captulo ofrecemos a los docentes que utilizan este texto como fuente de consulta dos maneras posibles en que se pueden aprovechar para la enseanza las investigaciones abajo detalladas: a) Si se trata de ensear todo el proceso de la investigacin, puede pedrseles a los alumnos que, dada una investigacin, indiquen como fueron cumplidos todos los pasos indicados en nuestra seccin Etapas de una investigacin tpica. En aquellos pasos donde no se encuentra informacin en el texto, plantear como se habra procedido en el marco de la investigacin elegida. Por ejemplo, si no se indican las dimensiones de alguna variable, o si no se inform sobre el instrumento de medicin. b) Si se trata de ensear algn concepto en particular, podemos pedir al alumno que lo indique en las investigaciones propuestas. Por ejemplo, cules son en cada caso las variables independiente y dependiente, o qu tipo de diseo experimental fue utilizado en cada investigacin (en caso de haber sido utilizado alguno de los diseo explicados en el texto). 1) El 66 por ciento de los superdotados tiene bajo rendimiento escolar Aunque resulte paradjico, el fracaso escolar puede ser consecuencia de una elevada inteligencia. As se desprende de las estadsticas. En Espaa, alrededor del 2 por ciento de la poblacin escolar es superdotada. Es decir, en cada clase, al menos un nio tiene un coeficiente intelectual por encima de los 130 puntos. Sin embargo, el 66 por ciento de estos tiene un bajo rendimiento escolar que la mayora de las veces desemboca en fracaso. En Espaa, se calcula que alrededor del 2 por ciento de la poblacin escolar es superdotada, lo que significa que uno de cada 25 nios puede serlo. Es decir, en cada clase puede haber al menos uno de estos alumnos. Sin embargo, a pesar de su inteligencia, el 66 por ciento de los superdotados tiene un bajo rendimiento escolar, que, en muchos casos, llega incluso al fracaso, segn datos de los ltimos estudios internacionales. Este porcentaje tan elevado se debe a que en las clases ordinarias, se aburren al no disponer de los recursos tcnicos y materiales necesarios para desarrollar sus capacidades, explica el presidente de la Asociacin Espaola de Superdotados y con Talento (AEST), Esteban Snchez. El fracaso escolar radica tambin en el hecho de que no cuentan con profesores preparados, as como la inexistencia de tareas apropiadas donde poder demostrar sus habilidades. La desmotivacin ante los trabajos, el aburrimiento y las escasas posibilidades para desarrollar su creatividad hacen que en muchas ocasiones el profesor califique al nio de poco brillante. Es lgico pensar que todos los nios superdotados, desde que entran en la escuela presenten un bajo rendimiento escolar, ya que la enseanza no se ajusta a su nivel de aprendizaje, explica la directora del centro Huerta del Rey, Yolanda Benito, en un extenso informe publicado por este centro. Un claro ejemplo es la contestacin que un nio de 5 aos daba a sus compaeros: Vosotros empezar a hacer los deberes que yo os pillo.
Fuente: I. Gallego. Recorte del diario ABC, de Madrid. http://www.eltercertiempo.net/recortes/recort10.htm

2) El trato en el trabajo se refleja en la casa Cuando los padres llegan a casa, generalmente tienen dos alternativas: estar relajados, con ganas de compartir y jugar con sus hijos o sentirse cansados, agobiados y lo nico que ambicionan es estar solos. Segn un reciente estudio, el comportamiento que tenga cada padre en el hogar est estrechamente relacionado con la forma en que lo tratan en su trabajo. Los padres cuyos trabajos estn claramente definidos, que tienen autonoma y jefes comprensivos tienden a tener una mayor autoestima y tratan a sus hijos con ms aceptacin y cario, de acuerdo con el estudio de la Universidad de Illinois, EEUU. Asimismo tienden a usar un sistema de disciplina menos estricto. La investigacin que se bas en 59 personas donde ambos padres trabajan muestra una fuerte relacin entre condiciones de trabajo, autoestima y paternidad. Estos resultados son similares a los de un estudio realizado entre profesionales que tambin evidencia que los padres que estn bien en su trabajo y se sienten "buenos proveedores" tienen una relacin ms cariosa con sus hijos. A la inversa, "los hombres que tienen das estresantes y agotadores, tienden a llegar a casa y aislarse" de los otros miembros de la familia, dice la Dra. Maureen Perry-Jenkins, coautora del estudio. Investigaciones del Instituto de la Familia y el Trabajo, de Nueva York, afirma que las familias con frecuencia sufren el impacto del estrs del trabajo. Richard Capuzzo, administrador de una panadera, a menudo sale en bicicleta con sus hijas y despus del trabajo pasa a buscar a su pequea de tres aos del jardn de infantes. Pero cuando antes trabajaba en una imprenta, llegaba a casa tan cansado que se aislaba. La Dra. Perry-Jenkins dice que la investigacin sugiere que los esfuerzos de los empleadores para crear un ambiente de trabajo sano y justo tambin ayuda a mejorar la vida familiar de sus empleados.
Sin indicacin de fuente.

51

3) Leer el diario mejora a la gente La lectura del diario ejerce una influencia moderadora y acta como una fuerza estabilizadora sobre la cultura poltica de un pas. La televisin no slo inhibe la voluntad de las personas para participar activamente como miembros de la sociedad sino la confianza en el prjimo y en el gobierno. A estas conclusiones llegaron -por lo menos para los Estados Unidos- los socilogos y demgrafos despus de recientes estudios sobre comportamiento social y consumo de los diversos medios de comunicacin. El profesor de Harvard Robert D. Putnam rompi filas respecto de sus colegas durante la conferencia anual de la Asociacin Norteamericana de Ciencias Polticas, celebrada en Chicago. Sus colegas discutan principalmente si la victoria republicana en las elecciones legislativas de 1994 represent el comienzo de una nueva etapa o si fue un resultado accidental. Putnam sostiene que desde la irrupcin de la TV en los aos cincuenta, la confianza y el compromiso social -el "capital social" de los Estados Unidos- comenzaron a debilitarse gradualmente. Confianza y compromiso.- El profesor Putnam observ que inclusive entre las personas de distinto nivel de educacin haba una interrelacin entre la cantidad de tiempo que la gente pasaba frente al aparato de TV y el grado de predisposicin que posean para incorporarse a un grupo social y el grado de confianza -incluyendo la confianza poltica- que tenan en su gobierno. Esto significa que los niveles de compromiso y confianza disminuyeron en relacin con la cantidad de tiempo frente al televisor. Putnam descubri tambin cierta diferencia entre las generaciones nacidas antes de la Segunda Guerra Mundial, ms comprometidas y satisfechas, y las que nacieron despus y quedaron expuestas a la TV. El profesor de Harvard est convencido de que cuanto ms uno lee diarios, tanta ms confianza tiene, mientras que cuanto ms mira televisin, tanta menos confianza adquiere. Una reciente encuesta realizada por la Universidad de Oho junto con el Servicio de Noticias Scripps Howard revel resultados similares. El sondeo mostr una clara relacin entre el consumo de noticias y la participacin electoral. El 76% de las personas que habitualmente seguan las alternativas de la poltica internacional por televisin y en los diarios vot en las ltimas elecciones legislativas norteamericanas. El porcentaje de los votantes indiferentes a las noticias fue slo la mitad. Sin embargo, los demgrafos descubrieron que un nmero desproporcionadamente elevado de personas de este grupo estaba disconforme con el Gobierno, las leyes y la Constitucin. Aos de lectura.- La encuesta revel que cuanto ms aos tiene la gente, tanto mayor es la probabilidad de que lean diarios y voten en las elecciones. Sin embargo, no se puede culpar a la TV por la baja afluencia de votantes en las elecciones norteamericanas -generalmente entre 50 y 60%- porque antes de que existiera la televisin las cifras eran inclusive ms bajas. La encuesta de la Universidad de Oho apuntala la opinin de Putnam de que la TV lleva a tener menos confianza en los polticos y funcionarios del gobierno. Indic que los lectores de diarios tienden a tener un criterio ms equilibrado y positivo de las cosas que quienes slo miran televisin. Curtis Gans, director de la Comisin para el estudio del electorado norteamericano, cree tener una explicacin: "La informacin que reciben los lectores del diarios no es tan generalizada y simplificada. La influencia de los medios visuales no es liberal ni conservadora, sino visual. La TV nos presenta imgenes de las luchas de poder en lugar de mostrar los aspectos sustanciales de la obra de gobierno". El actual nimo poltico no parece reflejar realmente un creciente sentimiento contra las altas esferas polticas de Washington, una prdida de confianza tanto en los demcratas, que predominan en la Casa Blanca, como en los republicanos, cuyo predominio se halla en el Congreso. Hace poco, una encuesta realizada por el diario The New York Times y la CBS News indic que el 55% del electorado vera con beneplcito la aparicin de un nuevo partido independiente. De acuerdo con la mayora de los consultados, su misin debera "representar al pueblo". Los demgrafos hablan acerca de uno de los niveles ms bajos del nimo pltico del electorado norteamericano en los ltimos tiempos. El 59% de los consultados no consigui nombrar a un solo poltico norteamericano de su admiracin y solamente el 6% nombr al presidente. El 79% incluso fue de la opinin de que el gobierno estaba controlado por un reducido grupo de gente influyente con intereses especficos y que los utilizaban para su propio beneficio. La alienacin entre los gobernantes y los gobernados en los Estados Unidos no es un descubrimiento. Lo novedoso, sin embargo, es que el profesor Putnam cree haber identificado lo que por lo menos es en parte responsable de esa alienacin: la TV norteamericana. Los primeros captulos de la serie "La telecracia" estn en el aire.
Fuente: Diario La Nacin, Buenos Aires.

4) Lo peor de los viajes puede ser la vuelta Olvdese de la ansiedad de separacin. Llegar a casa a veces es lo ms difcil. Los matrimonios pueden fracasar cuando uno de los esposos viaja extensamente. Pero la tensin puede aumentar no cuando estn separados, sino cuando estn juntos. Una investigacin sobre viajes de trabajo y separacin familiar del doctor en Psicologa de la Universidad de Carolina del Sur, Frederic Medway, descubri que algunos trabajadores no llegan de sus viajes con la mejor de las sonrisas. "Las parejas de algunos ejecutivos se han quejado que cuando sus esposos vuelven a casa despus de un largo viaje, lo primero que dicen es 'Dnde est el correo?' y a la esposa le dan ganas de decir 'Y yo que soy, una foto en la pared?'", relata el Dr. Medway. Tpicamente, las peleas ocurren porque el que viaja y el que se queda en casa tienen diferentes percepciones sobre lo que realmente pasa en un viaje de negocios. Lo que para el viajero son una serie de aburrridos aeropuertos y hoteles solitarios, para el que se queda son comidas elegantes y aventuras de cinco estrellas.

52

Lo que es ms, ambos creen que merecen algn tipo de compensacin. El que se qued lidiando con la mantencin de la casa y el cuidado de los hijos quiere salir a comer afuera y recibir regalos. Por su parte, el cansado viajero desea una comida hecha en casa y tiempo para relajarse. Segn el Dr. Medway los hoteles pueden regalar juguetes que no sean muy caros para los nios que quedaron en casa, pero lo ms importante es que ambos esposos se comuniquen mejor sobre lo que hacen mientras el otro est de viaje.
Sin indicacin de fuente.

5) Actitudes frente a la delincuencia La participacin de la sociedad en actividades de prevencin de la delincuencia depende tanto del conocimiento, como de las actitudes que la colectividad tiene sobre estas iniciativas preventivas. De dichos conocimientos y actitudes depende la colaboracin de la ciudadana. Pero tambin los profesionales ligados directa o indirectamente a la delincuencia tienen su importancia. Opinin pblica y delincuencia .- Algunas investigaciones mostraron una actitud negativa de la opinin pblica hacia los delincuentes, mientras otras revelaron que los consideraban personas normales, capaces de modificar su comportamiento. La opinin pblica ve la delincuencia como el producto de muchas causas, y distintas segn cada delito. Por ejemplo las violaciones eran adjudicadas a inestabilidad mental y educacin deficiente, los robos a la influencia ambiental, etc. Se vio tambin que las personas autoritarias y conservadoras tienden a promover el 'castigo' de los delincuentes, y quienes apoyan mas bien una rehabilitacin son aquellos que ven en la delincuencia causas sociales y econmicas. Son diversas las actitudes hacia la gravedad de los delitos, la severidad de los castigos y el tratamiento de los delincuentes. As, la percepcin de los delitos depende del nivel educativo-cultural: cuanto mayor nivel cultural, menos prejuicios y ms flexibilidad hay ante el delincuente. En general, sin embargo, la opinin pblica es ms severa que los jueces cuando se trata de castigar al delincuente. Los delitos violentos son los que ms llaman la atencin de los ciudadanos, estimulados a su vez por los medios de comunicacin. La delincuencia de cuello blanco parece ser considerada menos grave por la opinin pblica. Las investigaciones sobre actitudes hacia la delincuencia deben ser en general ms precisas y cuidadosas para poder ser tenidas en cuenta a la hora de instrumentar polticas de justicia penal. Por ejemplo, deben especificar los tipos de actitudes sobre tipos de delincuente y formas de delincuencia. Actitudes de profesionales relacionados con la delincuencia .- Los profesionales de la salud presentan en general actitudes desfavorables hacia pacientes etiquetados como delincuentes o psicpatas. Otras investigaciones revelaron que en el momento de tratarlos, se vieron actitudes favorables en psiquiatras y asistentes sociales. Los mdicos en particular tienden a adjudicar a la delincuencia causas orgnicas, como por ejemplo el consumo de estupefacientes. Por su parte los funcionarios de las crceles son ms benevolentes al juzgar la delincuencia, y lo mismo respecto de los policas, aunque hay variaciones segn cada establecimiento penitenciario. Asimismo y en oposicin a los profesionales de la salud, los funcionarios carcelarios y policas tienen actitudes menos favorables hacia las causas socioambientales y las medidas de prevencin y los tratamientos rehabilitadores. En cuanto a la actitud de los funcionarios judiciales, estas varan segn el nivel educacional y su ocupacin. Los jurados de mayor nivel educativo tienen actitudes menos estereotipadas hacia la delincuencia, y tienden a considerar cada caso particular. Los abogados defensores tienden por su parte a considerar menos culpables a los delincuentes, y los juece mostraron actitudes neutras; estos ltimos tambin adjudican las causas de la delincuencia al rea socioambiental. Conclusiones.- En general, la opinin pblica es favorable a la rehabilitacin de los presos. Los profesionales de los medios de comunicacin ejercen mucha influencia sobre las medidas de prevencin y tratamiento de los delincuentes, e influyen sobre la opinin pblica al respecto.
Fuente: Ortet y Fabregat, La delincuencia: opinin pblica y actitudes de profesionales.

53

REFERENCIAS BIBLIOGRAFICAS
(1) Gleick J (1988). Las investigaciones del factor azar. Buenos Aires: La Nacin, 23 de mayo de 1988. (2) Desde el punto de vista lgico la proposicin es una estructura intermedia entre el concepto y el razonamiento: varios conceptos constituyen una proposicin, y varias proposiciones un razonamiento. (3) Hempel C (1977). Filosofa de la ciencia natural. Madrid: Alianza Editorial. 3 edicin, captulo 2. (4) Arnau Gras J (1980). Psicologa Experimental. Mxico: Trillas, pg. 129. (5) Revista Muy Interesante, Chile: Ed. Garca Ferr, nmeros 43 y 46. (6) Hyman H (1984). Diseo y anlisis de las encuestas sociales. Buenos Aires: Amorrortu, pg. 346. (7) Blalock H (1982). Introduccin a la investigacin social. Buenos Aires: Amorrortu, pg. 26. (8) Hyman H, Diseo y anlisis de las encuestas sociales, pg. 351. (9) Korn F (1970). Qu es una variable en la investigacin social . Buenos Aires, Facultad de Filosofa y Letras de la Universidad de Buenos Aires. Ficha N 476. (10) Lazarsfeld P (1980). Origen y desarrollo de las variables sociolgicas , includo en Korn F. Conceptos y variables en la investigacin social. Buenos Aires, Nueva Visin. (11) Selltiz C Wrightsman L Deutsch X y Cook S (1980). Mtodos de investigacin en las relaciones sociales . Madrid: Rialp, 9 edicin, caps. 8 a 14. (12) Hyman H, op. cit., pg. 100. (13) Selltiz C Wrightsman L Deutsch X y Cook S (1980). Mtodos de investigacin en las relaciones sociales . Madrid: Rialp, 9 edicin. (14) Blalock H (1982). Introduccin a la investigacin social . Buenos Aires: Amorrortu, cap. 2. (15) Oneil W (1968). Introduccin al mtodo en psicologa . Buenos Aires: Eudeba, cap. 2. (16) Blalock H (1982). Introduccin a la investigacin social . Buenos Aires: Amorrortu, pg. 85. (17) Blalock H (1982). Introduccin a la investigacin social . Buenos Aires: Amorrortu, pg. 78. (18) Hyman H, op. cit., pgs. 353-356. (19) En la versin Selltiz-Wrightsman-Cook solamente figuran los diseos 1, 4 y 6. En dicha versin, el esquema 4 se llama diseo simple y el 6 se llama diseo ampliado o esquema de los cuatro grupos de Solomon. Esta ltima denominacin figura en ambas versiones. (20) Definicin de Reuchlin citada en Arnau Gras J, Psicologa experimental, pg. 392. (21) Mc Guigan, Psicologa Experimental, pg. 53. (22) Blalock H (1982). Introduccin a la investigacin social . Buenos Aires: Amorrortu, pg. 82. (23) De Vega M (1984). Introduccin a la psicologa cognitiva . Madrid: Alianza. (24) Este es uno de los sentidos del trmino hiptesis nula. No debemos confundirlo con el sentido ms habitual que se utiliza en las pruebas de significacin para las hiptesis que se ponen a prueba en las investigaciones tpicas, donde la hiptesis nula es aquella que dice lo contrario de la hiptesis propuesta. Vase al respecto Hernndez Sampieri y otros (1991). Metodologa de la Investigacin. Mxico: McGraw-Hill.

54

55